7. CONCLUSIONS AND FUTURE WORKIn th

7. CONCLUSIONS AND FUTURE WORK
In this paper we defined frequent relational itemsets using a novel support measure, based on the keys of the relational database scheme. We implemented an efficient depth-first propagation-based algorithm for mining these frequent rela- tional itemsets. Our experiments showed that the SMuRFIG algorithm performs well on real datasets, is scalable, and is capable of finding interesting patterns. This stands in contrast with most existing work, where the support mea- sure being used is unintuitive or inefficient to compute. In addition, we defined the deviation measure in order to ad- dress the statistical pattern blow-up that is specific to the relational context. Part of our future work is to study this measure further and extend it to inter-entity itemsets.
For the sake of clarity, we restricted ourselves to simple schemes. This already allows us to mine a large collection of databases (or parts thereof ), and can result in interesting discoveries, as we have seen in Section 5. Preliminary exper- iments show that some small extensions to our definitions allow us to find more complex patterns while only suffer- ing a small loss of efficiency. The study of the algorithmic implications of such extensions is part of our future work.

Kết quả (Việt) 1:

7. kết luận và làm việc tương lai
trong bài báo này, chúng tôi xác định thường xuyên quan hệ itemsets bằng cách sử dụng một biện pháp hỗ trợ tiểu thuyết, dựa trên các phím của đề án cơ sở dữ liệu quan hệ. Chúng tôi thực hiện sâu đầu tiên dựa trên tuyên truyền thuật toán hiệu quả cho các itemsets rela-tế thường xuyên và khai thác mỏ. Thí nghiệm của chúng tôi cho thấy rằng các thuật toán SMuRFIG hoạt động tốt trên datasets thực sự, là khả năng mở rộng, và có khả năng tìm kiếm mô hình thú vị. Điều này là viết tắt tương phản với hầu hết các công việc hiện tại, nơi các hỗ trợ mea-chắc chắn được sử dụng là unintuitive hoặc không hiệu quả để tính toán. Ngoài ra, chúng tôi xác định các biện pháp độ lệch để quảng cáo-ăn blow-up mô hình thống kê cụ thể cho bối cảnh quan hệ. Một phần của chúng tôi làm việc trong tương lai là để nghiên cứu các biện pháp này hơn nữa và mở rộng nó để thực thể liên itemsets.
vì lợi ích của sự rõ ràng, chúng tôi hạn chế bản thân để chương trình đơn giản. Điều này đã cho phép chúng tôi để khai thác một bộ sưu tập lớn của cơ sở dữ liệu (hoặc bộ phận đó), và có thể dẫn đến phát hiện thú vị, như chúng tôi đã thấy trong phần 5. Exper-iments sơ bộ cho thấy rằng một số tiện ích mở rộng nhỏ đến định nghĩa của chúng tôi cho phép chúng tôi để tìm các mô hình phức tạp hơn trong khi chỉ bị-ing một lỗ nhỏ của hiệu quả. Nghiên cứu của thuật toán tác động của tiện ích mở rộng như vậy là một phần của chúng tôi làm việc trong tương lai.

Kết quả (Việt) 2:

7. KẾT LUẬN VÀ LÀM VIỆC TRONG TƯƠNG LAI
Trong bài báo này, chúng tôi xác định tập phổ biến quan hệ thường xuyên sử dụng một biện pháp hỗ trợ mới, dựa trên các phím của chương trình cơ sở dữ liệu quan hệ. Chúng tôi thực hiện một thuật toán tuyên truyền dựa trên độ sâu-đầu tiên khai thác hiệu quả cho các tập phổ biến quan hệ thống thường xuyên. Thí nghiệm của chúng tôi cho thấy rằng các thuật toán SMuRFIG hoạt động tốt trên các tập dữ liệu thực tế, là khả năng mở rộng, và có khả năng tìm kiếm thú vị. Điều này trái ngược với công việc nhất hiện có, trong đó hỗ trợ đo lường mức độ được sử dụng là unintuitive hoặc không hiệu quả để tính toán. Ngoài ra, chúng tôi xác định các biện pháp lệch để quảng cáo ăn mặc mô hình thống kê thổi lên mà là cụ thể cho bối cảnh quan hệ. Một phần công việc trong tương lai của chúng tôi là nghiên cứu biện pháp này hơn nữa và mở rộng nó để tập phổ biến liên tổ chức.
Vì lợi ích của sự rõ ràng, chúng tôi hạn chế mình để chương trình đơn giản. Điều này đã cho phép chúng ta khai thác một bộ sưu tập lớn các cơ sở dữ liệu (hoặc bộ phận của chúng), và có thể dẫn đến những khám phá thú vị, như chúng ta đã thấy trong phần 5. Sơ bộ exper-iments cho thấy rằng một số phần mở rộng nhỏ để định nghĩa của chúng tôi cho phép chúng ta tìm thấy phức tạp hơn mô hình trong khi chỉ có đau khổ-ing một mất mát nhỏ hiệu quả. Các nghiên cứu về những tác động của thuật toán mở rộng như vậy là một phần của công việc tương lai của chúng tôi.