Fortunately, the well-known downwar

Fortunately, the well-known downward closure property [8] still works in uncertain databases. Thus, the traditional Apriori pruning can be used when we check whether an itemset is an expected support-based frequent itemset. In other words, all supersets of this itemset must not be expected support-based frequent itemsets. In addition, several decremental pruning methods [17, 18] were proposed for further improving the efficiency. These methods mainly aim to find
the upper bound of the expected support of an itemset as early as possible. Once the upper bound is lower than the minimum expected support, the traditional Apriori pruning can be used. However, the decremental pruning methods depend on the structure of datasets, thus, the most important pruning method in UApriori is still the traditional Apriori pruning.

Kết quả (Việt) 1:

May mắn thay, bất động sản đóng cửa xuống nổi tiếng [8] vẫn hoạt động trong cơ sở dữ liệu không chắc chắn. Do đó, cắt tỉa Apriori truyền thống có thể được sử dụng khi chúng tôi kiểm tra cho dù một itemset là một dự kiến sẽ dựa trên hỗ trợ thường xuyên itemset. Nói cách khác, tất cả các supersets itemset này không phải là dự kiến sẽ dựa trên hỗ trợ thường xuyên itemsets. Ngoài ra, một số phương pháp decremental cắt tỉa [17, 18] đã được đề xuất để tiếp tục cải thiện hiệu quả. Những phương pháp này chủ yếu là nhằm mục đích để tìmphía trên ràng buộc của sự hỗ trợ dự kiến của một itemset càng sớm càng tốt. Một khi ràng buộc là thấp hơn so với sự hỗ trợ mong đợi tối thiểu, cắt tỉa Apriori truyền thống có thể được sử dụng. Tuy nhiên, phương pháp cắt tỉa decremental phụ thuộc vào cấu trúc của datasets, do đó, các phương pháp cắt tỉa quan trọng nhất trong UApriori vẫn là cắt tỉa Apriori truyền thống.

Kết quả (Việt) 2:

May mắn thay, việc đóng cửa nổi tiếng sở hữu xuống [8] vẫn hoạt động trong cơ sở dữ liệu không chắc chắn. Vì vậy, cắt tỉa Apriori truyền thống có thể được sử dụng khi chúng ta kiểm tra xem một tập phổ biến là một hỗ trợ dựa trên tập phổ biến dự kiến thường xuyên. Nói cách khác, tất cả supersets của tập phổ biến này không được dự kiến sẽ hỗ trợ dựa trên tập phổ biến. Ngoài ra, một số phương pháp cắt tỉa decremental [17, 18] đã được đề xuất để tiếp tục nâng cao hiệu quả. Những phương pháp này chủ yếu nhằm mục đích để tìm thấy
phía trên ràng buộc của sự hỗ trợ dự kiến của một tập phổ biến càng sớm càng tốt. Một khi các ràng buộc trên là thấp hơn so với sự hỗ trợ tối thiểu dự kiến, cắt tỉa Apriori truyền thống có thể được sử dụng. Tuy nhiên, các phương pháp cắt tỉa decremental phụ thuộc vào cấu trúc của bộ dữ liệu, do đó, các phương pháp cắt tỉa quan trọng nhất trong UApriori vẫn là cắt tỉa Apriori truyền thống.