3. ALGORITHM: SMURFIGIn this sectio

3. ALGORITHM: SMURFIG
In this section we present two algorithms for mining rela- tional itemsets. We first construct a naive algorithm based on the computation of the full outer join. Then we present the SMuRFIG algorithm (Simple Multi-Relational Frequent Itemset Generator). Both algorithms employ KeyID lists, similar to the tid (transaction identifier) lists used in the well-known Eclat algorithm [12].
First, we consider the naive approach. The input of the Naive algorithm is an instance of a simple relational scheme and a relative support threshold minsup. The support query from Definition 3 is straightforwardly decomposed into three parts, i.e. a join, a selection, and a projection. First, a join table J is constructed, in which the correct supports are to be found. However, this join is different for each itemset, and performing all such possible joins is infeasible. Instead, we create a single large join table using all entities and relations. To construct J , we cannot use an equi-join. Indeed, if a tuple is not connected to any tuples in other tables, it does not appear in the full equi-join of all entity tables, which means we lose some information. To avoid this, we combine the entities and relations using a full outer join, which combines all non-connected tuples with NULL-values.
Then, a standard frequent set miner, Eclat, is applied to J using a new threshold. Rather than using the relative support threshold minsup, we must use a new absolute threshold
abssup = minsup × minE |E| for J . The absolute support of
an itemset in J is at least as high as the absolute support
of that itemset for any key K , so any itemset frequent in some key K with respect to minsup will also be frequent in J with respect to abssup. In a way, the Eclat algorithm

Kết quả (Việt) 1:

3. thuật toán: SMURFIG
trong phần này chúng tôi trình bày hai các thuật toán cho khai thác mỏ rela-tế itemsets. Chúng tôi lần đầu tiên xây dựng một thuật toán ngây thơ dựa trên tính toán tham gia đầy đủ bên ngoài. Sau đó, chúng tôi trình bày các thuật toán SMuRFIG (đơn giản Multi-Relational thường xuyên Itemset Generator). Thuật toán cả hai sử dụng danh sách KeyID, tương tự như các danh sách tid (giao dịch định danh) được sử dụng trong các thuật toán Eclat nổi tiếng [12].
lần đầu tiên, chúng tôi xem xét cách tiếp cận ngây thơ. Đầu vào của các thuật toán ngây thơ là một thể hiện của một đề án quan hệ đơn giản và một minsup ngưỡng hỗ trợ tương đối. Truy vấn hỗ trợ từ định nghĩa 3 dàng bị phân hủy thành ba phần, tức là tham gia một, một sự lựa chọn, và một chiếu. Đầu tiên, một tham gia bảng J được xây dựng, trong đó sự hỗ trợ chính xác có thể tìm thấy. Tuy nhiên, tham gia này là khác nhau cho mỗi itemset, và thực hiện tất cả các tham gia có thể là infeasible. Thay vào đó, chúng tôi tạo ra một bảng duy nhất tham gia lớn bằng cách sử dụng tất cả các thực thể và mối quan hệ. Để xây dựng J, chúng tôi không thể sử dụng một thiết bị-tham gia. Thật vậy, nếu một tuple không được kết nối với bất kỳ tuples trong bảng khác, nó không xuất hiện trong đầy đủ equi-tham gia của tất cả các bảng tổ chức, có nghĩa là chúng ta mất đi một số thông tin. Để tránh điều này, chúng tôi kết hợp các thực thể và mối quan hệ bằng cách sử dụng một tham gia đầy đủ bên ngoài, kết hợp tất cả kết nối không tuples với NULL-giá trị.
sau đó, một thợ mỏ thiết lập tiêu chuẩn thường xuyên, Eclat, được áp dụng cho J bằng cách sử dụng một ngưỡng mới. Thay vì sử dụng thân nhân hỗ trợ ngưỡng minsup, chúng ta phải sử dụng một ngưỡng tuyệt đối mới
abssup = minsup × mỏ |E| cho J. Sự hỗ trợ tuyệt đối của
một itemset trong J là ít cao như sự hỗ trợ tuyệt đối
của rằng itemset cho bất kỳ khóa K, vì vậy bất kỳ itemset thường xuyên trong một số phím K đối với minsup cũng sẽ thường xuyên trong J đối với abssup. Theo cách một, các thuật toán Eclat

Kết quả (Việt) 2:

. 3 thuật toán: SMURFIG
Trong phần này chúng tôi trình bày hai thuật toán khai thác tập phổ biến mối tế. Trước tiên chúng ta xây dựng một thuật toán ngây thơ dựa trên tính toán của bên ngoài đầy đủ tham gia. Sau đó, chúng tôi trình bày các thuật toán SMuRFIG (đơn giản nhiều quan hệ tập phổ biến phát điện). Cả hai thuật toán sử dụng danh sách KeyID, tương tự như tid (định danh giao dịch) danh sách được sử dụng trong các thuật toán Eclat nổi tiếng [12].
Đầu tiên, chúng ta xem xét cách tiếp cận ngây thơ. Đầu vào của thuật toán Naive là một thể hiện của một chương trình quan hệ đơn giản và hỗ trợ tương đối ngưỡng minsup. Truy vấn hỗ trợ từ 3 Định nghĩa là thẳng thắn chia ra thành ba phần, tức là một tham gia, lựa chọn, và một chiếu. Đầu tiên, một bảng tham gia J được xây dựng, trong đó hỗ trợ chính xác được tìm thấy. Tuy nhiên, điều này tham gia là khác nhau cho mỗi tập phổ biến, và thực hiện tất cả tham gia như vậy có thể là không khả thi. Thay vào đó, chúng tôi tạo ra một lớn duy nhất bảng tham gia sử dụng tất cả các thực thể và các mối quan hệ. Xây dựng J, chúng ta không thể sử dụng một đẳng tham gia. Thật vậy, nếu một bộ không kết nối với bất kỳ bộ dữ liệu trong các bảng khác, nó không xuất hiện trong toàn đẳng tham gia của tất cả các bảng thực thể, có nghĩa là chúng ta mất đi một số thông tin. Để tránh điều này, chúng tôi kết hợp các thực thể và các mối quan hệ bằng cách sử dụng bên ngoài tham gia đầy đủ, kết hợp tất cả các bộ không kết nối với NULL-giá trị.
Sau đó, một người thợ mỏ thường xuyên thiết lập tiêu chuẩn, Eclat, được áp dụng cho J sử dụng một ngưỡng mới. Thay vì sử dụng sự hỗ trợ tương đối ngưỡng minsup, chúng ta phải sử dụng một ngưỡng mới tuyệt đối
abssup = minsup × tôi | E | J. Sự hỗ trợ tuyệt đối của
một tập phổ biến trong J ít nhất là cao như sự hỗ trợ tuyệt đối
của tập phổ biến cho rằng bất kỳ phím K, vì vậy bất kỳ tập phổ biến trong một số K quan trọng đối với minsup với cũng sẽ được thường xuyên trong J đối với abssup với. Nói cách khác, các thuật toán Eclat