FP-growth [11] is a fundamentally d

FP-growth [11] is a fundamentally different algorithm from the Apriori-like algorithms. The efficiency of Apriori-like algorithms suffers from the exponential enumeration of candidate itemsets and repeated database scans at each level for support check. To diminish these weaknesses, the FP-growth algorithm finds frequent itemsets without candidate set generation and records the database into a compact FP-tree structure to avoid repeated database scans. Due to the savings of storing the database in main memory, the FP-growth algorithm achieves great performance gains against Apriori-like algorithms. However, it is not scalable to very large databases, due to the requirement that the FP-trees fit in the main memory.
Representative breadth-first algorithms for mining MFI include Pincer-Search [14] and Max-Miner [4]. The former combines both the bottom-up and top-down searches. The latter uses lookahead to prune branches from the itemset lattice by quickly identifying long frequent itemsets.

Kết quả (Việt) 1:

Tăng trưởng FP [11] là một thuật toán cơ bản khác nhau từ các thuật toán giống như Apriori. Hiệu quả của thuật toán giống như Apriori bị liệt kê mũ của ứng cử viên itemsets và cơ sở dữ liệu lặp đi lặp lại quét ở mỗi cấp để kiểm tra hỗ trợ. Để giảm thiểu các điểm yếu, các thuật toán FP-tăng trưởng tìm thấy thường xuyên itemsets mà không có ứng cử viên thiết lập thế hệ và hồ sơ cơ sở dữ liệu vào một cấu trúc FP-cây nhỏ gọn để tránh lặp đi lặp lại cơ sở dữ liệu quét. Do các khoản tiết kiệm của cơ sở dữ liệu lưu trữ trong bộ nhớ chính, thuật toán FP-tăng trưởng đạt được hiệu suất tuyệt vời lợi ích đối với thuật toán giống như Apriori. Tuy nhiên, nó không phải là khả năng mở rộng cơ sở dữ liệu rất lớn, do yêu cầu FP-cây phù hợp trong bộ nhớ chính.Thuật toán chiều rộng-đầu tiên đại diện cho khai thác mỏ MFI bao gồm trục-tìm kiếm [14] và Max-thợ mỏ [4]. Trước đây kết hợp cả hai tìm kiếm trên xuống và dưới lên. Sau đó sử dụng lookahead để prune chi nhánh từ itemset lưới bằng cách xác định một cách nhanh chóng thường xuyên lâu itemsets.

Kết quả (Việt) 2:

FP-tăng trưởng [11] là một thuật toán cơ bản khác với các thuật toán Apriori-như. Hiệu quả của thuật toán Apriori-như bị liệt kê theo cấp số nhân của một tập ứng cử viên và quét cơ sở dữ liệu lặp đi lặp lại ở mỗi cấp để hỗ trợ kiểm tra. Để giảm bớt những điểm yếu này, các thuật toán FP-tăng trưởng tìm tập phổ biến mà không có ứng cử viên thế hệ tập và ghi lại các cơ sở dữ liệu thành một cấu trúc FP-tree nhỏ gọn để tránh quét cơ sở dữ liệu lặp đi lặp lại. Do các khoản tiết kiệm của lưu trữ các cơ sở dữ liệu trong bộ nhớ chính, các thuật toán FP-tăng trưởng đạt được hiệu suất lợi nhuận rất lớn đối với các thuật toán Apriori-như. Tuy nhiên, nó không phải là khả năng mở rộng cơ sở dữ liệu rất lớn, do yêu cầu rằng các FP-cây phù hợp trong bộ nhớ chính.
thuật toán chiều rộng đầu tiên đại diện cho khai thác mỏ MFI bao gồm gọng kìm-Tìm kiếm [14] và Max-Miner [4]. Các liên hợp cựu cả từ dưới lên và tìm kiếm từ trên xuống. Việc sử dụng sau lookahead để tỉa cành từ các mạng tập phổ biến bằng cách nhanh chóng xác định các tập phổ biến dài.