AbstractThe use of frequent itemset

Abstract
The use of frequent itemsets has been limited by the high computational cost as well as the large number of resulting itemsets. In many real-world scenarios, however, it is often sufficient to mine a small representative subset of frequent itemsets with low computational cost. To that end, in this paper, we define a new problem of finding the frequent itemsets with
a maximum length and present a novel algorithm to solve this problem. Indeed, maximum length frequent itemsets can be efficiently identified in very large data sets and are useful in many application domains. Our algorithm generates the maximum length frequent itemsets by adapting a pattern fragment growth methodology based on the FP-tree structure. Also, a number of optimization techniques have been exploited to prune the search space. Finally, extensive experiments on realworld data sets validate the proposed algorithm.

Kết quả (Việt) 1:

Tóm tắtViệc sử dụng thường xuyên itemsets đã được giới hạn bởi chi phí cao tính toán cũng như số lượng kết quả itemsets lớn. Trong nhiều tình huống thế giới thực, Tuy nhiên, nó thường là đủ để khai thác một tập hợp con nhỏ đại diện của itemsets thường xuyên với chi phí thấp tính toán. Cuối cùng, trong bài báo này, chúng tôi xác định một vấn đề mới của việc tìm kiếm các itemsets thường xuyên vớimột chiều dài tối đa và trình bày một thuật toán mới lạ để giải quyết vấn đề này. Thật vậy, tối đa chiều dài thường xuyên itemsets có thể được hiệu quả được xác định trong bộ dữ liệu rất lớn và rất hữu ích trong nhiều ứng dụng tên miền. Thuật toán của chúng tôi tạo ra chiều dài tối đa thường xuyên itemsets bởi điều chỉnh một đoạn mô hình tăng trưởng phương pháp dựa trên cấu trúc FP-cây. Ngoài ra, một số tối ưu hóa kỹ thuật đã được khai thác để prune không gian tìm kiếm. Cuối cùng, các thí nghiệm rộng rãi trên realworld bộ dữ liệu xác nhận các thuật toán được đề xuất.

Kết quả (Việt) 2:

Tóm tắt
Việc sử dụng các tập phổ biến đã được giới hạn bởi các chi phí tính toán cao cũng như số lượng lớn các tập phổ biến kết quả. Trong nhiều tình huống thực tế, tuy nhiên, nó thường là đủ để khai thác một tập hợp con nhỏ tiêu biểu của tập phổ biến với chi phí tính toán thấp. Cuối cùng, trong bài báo này, chúng tôi xác định một vấn đề mới của việc tìm kiếm các tập phổ biến với
độ dài tối đa và trình bày một thuật toán mới để giải quyết vấn đề này. Thật vậy, chiều dài tối đa tập phổ biến có thể được xác định một cách hiệu quả trong tập dữ liệu rất lớn và rất hữu ích trong nhiều lĩnh vực ứng dụng. Thuật toán của chúng tôi tạo ra độ dài tập phổ biến tối đa bằng cách thích ứng một phương pháp mô hình tăng trưởng mảnh dựa trên cấu trúc FP-tree. Ngoài ra, một số các kỹ thuật tối ưu hóa đã được khai thác để tỉa không gian tìm kiếm. Cuối cùng, thí nghiệm rộng rãi trên các tập dữ liệu RealWorld xác các thuật toán đề ra.