The DepthProject algorithm [1] sear

The DepthProject algorithm [1] searches the itemset lattice in a depth-first manner to find MFI. To reduce search space, it also uses dynamic reordering of children nodes, superset pruning, an improved counting method and a projection mechanism. MAFIA [6] uses a vertical format to represent the database, which allows efficient support counting and is said to enhance the effect of lookahead pruning in general. Unlike DepthProject and MAFIA, GenMax [9] returns the exact MFI. It utilizes a backtracking search for efficiently enumerating all maximal patterns. Besides, it represents the database in a vertical TIDset format like VIPER and uses diffset [24] propagation to perform fast support counting. FPMAX [10], as an extension of the FPgrowth algorithm, utilizes a novel Maximal Frequent Itemset tree (MFI-tree) structure to keep track of all maximal frequent itemsets. Experimental results showed that FPMAX has comparable performance with MAFIA and GenMax.

Kết quả (Việt) 1:

Thuật toán DepthProject [1] tìm kiếm itemset lưới một cách sâu đầu tiên để tìm MFI. Để giảm bớt không gian tìm kiếm, nó cũng sử dụng năng động sắp xếp lại của trẻ em nút, cắt tỉa superset, một phương pháp đếm được cải tiến và một cơ chế chiếu. MAFIA [6] sử dụng một định dạng thẳng đứng để đại diện cho cơ sở dữ liệu, mà cho phép hỗ trợ hiệu quả đếm và được cho là tăng cường tác dụng của lookahead cắt tỉa nói chung. Không giống như DepthProject và MAFIA, GenMax [9] trả về MFI chính xác. Nó sử dụng một tìm kiếm backtracking cho hiệu quả liệt kê tất cả các mẫu tối đa. Bên cạnh đó, nó đại diện cho cơ sở dữ liệu trong một định dạng TIDset dọc như VIPER và sử dụng tuyên truyền diffset [24] để thực hiện nhanh chóng hỗ trợ đếm. FPMAX [10], như một phần mở rộng của các thuật toán FPgrowth, sử dụng một cấu trúc cây (MFI-cây) tối đa thường xuyên Itemset tiểu thuyết để theo dõi tất cả itemsets tối đa thường xuyên. Kết quả thử nghiệm cho thấy rằng FPMAX có thể so sánh hiệu suất với MAFIA và GenMax.

Kết quả (Việt) 2:

Các thuật toán DepthProject [1] tìm kiếm các mạng tập phổ biến một cách sâu-đầu tiên tìm thấy MFI. Để làm giảm không gian tìm kiếm, nó cũng sử dụng sắp xếp lại năng động của trẻ em nút, cắt tỉa siêu, một phương pháp đếm được cải thiện và một cơ chế chiếu. MAFIA [6] sử dụng một định dạng thẳng đứng để đại diện cho các cơ sở dữ liệu, cho phép hỗ trợ tính hiệu quả và được cho là để tăng cường hiệu lực của lookahead tỉa nói chung. Không giống như DepthProject và MAFIA, GenMax [9] trả lại chính xác các MFI. Nó sử dụng một tìm kiếm quay lui để liệt kê tất cả các mô hình có hiệu quả tối đa. Bên cạnh đó, nó đại diện cho các cơ sở dữ liệu trong một định dạng TIDset thẳng đứng giống như VIPER và sử dụng diffset [24] tuyên truyền để thực hiện hỗ trợ đếm nhanh. FPMAX [10], như là một phần mở rộng của thuật toán FPgrowth, sử dụng tối đa một cây tiểu thuyết tập phổ biến (MFI-tree) cấu trúc để theo dõi tất cả các tập phổ biến tối đại. Kết quả thí nghiệm cho thấy rằng FPMAX có hiệu năng tương đương với MAFIA và GenMax.