Before the high utility itemset min

Before the high utility itemset mining problem was formally proposed [25] as above, a variation of the problem
had been studied, namely the problem of extracting share frequent itemsets [6, 13, 12] that invariably defines the
external utility of each item as 1. The ZP [6], ZSP [6], FSH [13], ShFSH [12], and DCG [11] algorithms for share
frequent itemset mining can also be used to mine high utility itemsets. Since the downward closure property cannot be directly applied, Liu et al. proposed an important property [17] for pruning the search space of the high utility itemset mining problem.

Fig. 3 shows the transaction-weighted utilities of all 1-itemsets. For example, itemset {f} is contained in T4 and
T6, and thus twu({f}) = tu(T4) + tu(T6) = 9 + 18 = 27.If a minutil is equal to 30, all supersets of {f} are not high
utility according to Property 1. The Two-Phase algorithm [18, 17] first adopts Property 1 to prune the search space.
Afterwards, the isolated items discarding strategy (IIDS) is proposed [14], and the strategy can be incorporated in the above algorithms to improve their performance, for example, the FUM [14] and DCG+ [14] algorithms outperform ShFSH and DCG, respectively.
ZP, ZSP, FSH, ShFSH, DCG, Two-Phase, FUM, and DCG+ mine high utility itemsets as the famous Apriori
algorithm [4] mines frequent itemsets. Given a database, firstly, all 1-itemsets are candidate high utility itemsets.
After scanning the database, the algorithms eliminate unpromising 1-itemsets and generate 2-itemsets from the
remaining 1-itemsets as candidate high itemsets. After the second scan over the database, unpromising 2-itemsets
are eliminated and 3-itemsets as candidates are generated from the remaining 2-itemsets.. The procedure is performed repeatedly until there is no generated candidate itemset.

Kết quả (Việt) 1:

Trước khi cao tiện ích itemset khai thác vấn đề đã là chính thức đề nghị [25] như ở trên, một biến thể của vấn đềđã nghiên cứu, cụ thể là vấn đề của chiết xuất chia sẻ thường xuyên itemsets [6, 13, 12] lúc nào xác định cácTiện ích bên ngoài của mỗi mục là 1. ZP [6], ZSP [6], FSH [13], ShFSH [12] và DCG [11] các thuật toán để chia sẻthường xuyên itemset khai thác mỏ cũng có thể được sử dụng để khai thác tiện ích cao itemsets. Kể từ khi bất động sản đóng cửa xuống không thể áp dụng trực tiếp, lưu et al. đề xuất một tài sản quan trọng [17] cho cắt tỉa tìm không gian của vấn đề khai thác mỏ itemset cao tiện ích.Hình 3 cho thấy các giao dịch làm nặng Tiện ích của tất cả 1-itemsets. Ví dụ, itemset {f} được chứa trong T4 vàT6, và do đó twu({f}) = tu(T4) + tu(T6) = 9 + 18 = 27. nếu minutil một là tương đương với 30, tất cả các supersets {f} là không caoTiện ích theo tài sản 1. Các thuật toán Two-Phase [18, 17] đầu tiên thông qua bất động sản 1 để prune không gian tìm kiếm.Sau đó, cô lập các discarding chiến lược (IIDS) được đề xuất [14], và các chiến lược có thể được kết hợp trong các thuật toán trên để cải thiện hiệu suất của họ, ví dụ, FUM [14] và DCG + [14] thuật toán tốt hơn ShFSH và DCG, tương ứng.ZP, ZSP, FSH, ShFSH, DCG, Two-Phase, FUM, và DCG + mỏ cao tiện ích itemsets như Apriori nổi tiếngthuật toán [4] mỏ thường xuyên itemsets. Đưa ra một cơ sở dữ liệu, trước hết, tất cả 1-itemsets là ứng cử viên cao tiện ích itemsets.Sau khi quét cơ sở dữ liệu, các thuật toán loại bỏ unpromising 1-itemsets và tạo ra 2-itemsets từ cáccòn lại 1-itemsets như là ứng cử viên cao itemsets. Sau khi quét thứ hai trên cơ sở dữ liệu, unpromising 2-itemsetsđược loại bỏ và 3-itemsets như là ứng cử viên được tạo ra từ 2-itemsets còn lại... Các thủ tục được thực hiện liên tục cho đến khi có không có itemset ứng cử viên được tạo ra.

Kết quả (Việt) 2:

Trước khi các tiện ích cao vấn đề khai thác tập phổ biến đã được chính thức đề xuất [25] như trên, một biến thể của vấn đề
đã được nghiên cứu, cụ thể là vấn đề giải nén phần tập phổ biến [6, 13, 12] mà không thay đổi định nghĩa các
tiện ích bên ngoài của từng hạng mục như 1. ZP [6], ZSP [6], FSH [13], ShFSH [12], và DCG [11] thuật toán cho phần
khai thác tập phổ biến cũng có thể được sử dụng để tôi tập phổ biến tiện ích cao. Kể từ khi tài sản đóng cửa đi xuống không thể được áp dụng trực tiếp, Liu et al. đề xuất một tài sản quan trọng [17] cho cắt tỉa không gian tìm kiếm các tiện ích cao khai thác tập phổ biến vấn đề. Fig. 3 cho thấy các tiện ích giao dịch trọng của tất cả 1 tập phổ biến. Ví dụ, itemset {f} được chứa trong T4 và T6, và do đó TWU ({f}) = tu (T4) + tu (T6) = 9 + 18 = 27.If một minutil bằng 30, tất cả các supersets {f} không cao ích theo tài sản 1. Các thuật toán hai giai đoạn [18, 17] đầu tiên thông qua tài sản 1 để tỉa không gian tìm kiếm. Sau đó, các hạng mục bị cô lập loại bỏ chiến lược (IIDs) được đề xuất [14], và các chiến lược có thể được kết hợp trong các thuật toán trên để cải thiện hiệu suất của họ, ví dụ, FUM [14] và DCG + [14] thuật toán tốt hơn ShFSH và DCG, tương ứng. ZP, ZSP, FSH, ShFSH, DCG, Hai-pha, FUM, và DCG + mỏ tập phổ biến tiện ích cao như Apriori nổi tiếng thuật toán [4] mìn tập phổ biến. Với một cơ sở dữ liệu, trước hết, tất cả 1 tập phổ biến là ứng cử viên tập phổ biến tiện ích cao. Sau khi quét các cơ sở dữ liệu, các thuật toán loại bỏ không hứa hẹn 1-tập phổ biến và tạo ra 2 tập phổ biến từ còn lại 1-tập phổ biến như ứng cử viên tập phổ biến cao. Sau khi quét thứ hai trên cơ sở dữ liệu, không hứa hẹn 2 tập phổ biến được loại bỏ và 3 tập phổ biến như các ứng cử viên được tạo ra từ còn lại 2 tập phổ biến .. Các thủ tục được thực hiện lặp đi lặp lại cho đến khi không có ứng cử viên itemset tạo ra.