In comparison with MAFIA_LO and FPM

In comparison with MAFIA_LO and FPMAX_LO, our experimental results showed that LFIMiner is a faster method for mining maximum length frequent itemset. A detailed component analysis highlighted FIP’s effectiveness in reducing the search space due to its recursive process. LFIMiner also exhibits a good scalability. Besides, a variant of this algorithm, LFIMiner_ALL, was also developed for efficiently mining all maximum length frequent itemsets.
As for future work, we plan to apply the proposed technique to a variety of large data sets where the maximum length itemsets are of interest. The benchmark datasets used in our experiments may not be representative of the particular type of data sets where users want to find the maximum length frequent itemsets. Also, other requirements may be added in the mining process for the longest patterns, such as those in correlation [21], data stream [22] and temporal pattern [13] mining. Finally, since LFI has a potential to be an interesting pattern to preserve during clustering, another direction is to exploit LFI for transaction clustering.

Kết quả (Việt) 1:

Khi so sánh với MAFIA_LO và FPMAX_LO, chúng tôi kết quả thử nghiệm cho thấy rằng LFIMiner là một phương pháp nhanh hơn để khai thác tối đa chiều dài thường xuyên itemset. Một phân tích chi tiết các thành phần đánh dấu của FIP hiệu quả trong việc giảm không gian tìm kiếm do trình đệ quy. LFIMiner cũng thể hiện khả năng mở rộng tốt. Bên cạnh đó, một biến thể của thuật toán này, LFIMiner_ALL, cũng được phát triển cho hiệu quả và khai thác mỏ tất cả chiều dài tối đa thường xuyên itemsets.Đối với công việc trong tương lai, chúng tôi dự định áp dụng các kỹ thuật được đề xuất cho một loạt các bộ dữ liệu lớn mà itemsets tối đa chiều dài quan tâm. Datasets chuẩn được sử dụng trong các thí nghiệm của chúng tôi có thể không là đại diện của loại hình cụ thể của dữ liệu mà người dùng muốn tìm itemsets thường xuyên chiều dài tối đa. Ngoài ra, các yêu cầu khác có thể được thêm vào trong quá trình khai thác cho các mô hình dài nhất, chẳng hạn như những người trong mối tương quan [21], dòng dữ liệu [22] và khai thác mỏ thời gian mô hình [13]. Cuối cùng, kể từ khi LFI có một tiềm năng để là một mô hình thú vị để bảo tồn trong cụm, hướng khác là để khai thác LFI cho giao dịch cụm.

Kết quả (Việt) 2:

So với MAFIA_LO và FPMAX_LO, kết quả thử nghiệm của chúng tôi cho thấy rằng LFIMiner là một phương pháp nhanh để khai thác tối đa chiều dài tập phổ biến. Một phân tích thành phần chi tiết nhấn mạnh hiệu quả của FIP trong việc làm giảm không gian tìm kiếm do quá trình đệ quy của nó. LFIMiner cũng bộc lộ một khả năng mở rộng tốt. Bên cạnh đó, một biến thể của thuật toán này, LFIMiner_ALL, cũng đã được phát triển để khai thác có hiệu quả mọi chiều dài tối đa tập phổ biến.
Đối với công việc tương lai, chúng tôi dự định áp dụng các kỹ thuật đã đề xuất một loạt các bộ dữ liệu lớn mà các tập phổ biến chiều dài tối đa là mối quan tâm. Các bộ dữ liệu chuẩn được sử dụng trong các thí nghiệm của chúng tôi có thể không đại diện cho các loại hình cụ thể của các bộ dữ liệu mà người dùng muốn tìm chiều dài tối đa tập phổ biến. Ngoài ra, các yêu cầu khác có thể được thêm vào trong quá trình khai thác khoáng sản đối với các mẫu dài nhất, chẳng hạn như những người trong tương quan [21], luồng dữ liệu [22] và mô hình thời gian [13] khai thác mỏ. Cuối cùng, vì LFI có tiềm năng trở thành một mô hình thú vị để giữ gìn trong clustering, hướng khác là khai thác LFI cho clustering giao dịch.