CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

یک بازنگری کامل از الگوریتم های ارائه شده در حوزه استخراج الگوهای پرتکرار

اعتبار موردنیاز : ۱ | تعداد صفحات: ۲۲ | تعداد نمایش خلاصه: ۳۵۸ | نظرات: ۰
سرفصل ارائه مقاله: گروه فناوری اطلاعات
سال انتشار: ۱۳۹۳
کد COI مقاله: PUAST01_131
زبان مقاله: فارسی
حجم فایل: ۸۵۱.۷۳ کیلوبایت (فایل این مقاله در ۲۲ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۲۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله یک بازنگری کامل از الگوریتم های ارائه شده در حوزه استخراج الگوهای پرتکرار

  حیدر جعفرزاده - دانشجوی کارشناسی ارشد دانشگاه علوم و تحقیقات ایلام
  امیر امیری - دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد ملایر
  روح اله رحمتی - کارشناس ارشد دانشگاه آزاد اسلامی واحد بروجرد

چکیده مقاله:

استخراج الگوهای پرتکرار بیش از یک دهه است که در تحقیقات حوزه داده کاوی تبدیل به یک موضوع متمرکز و منسجم شده است تا کنون بحث های فراوانی به این موضوع تحقیقاتی اختصاص داده شده است که حاصلش پیشرفت هایی فوق العاده بوده است اعم از الگوریتم های مقیاس پذیر کارآمدی که جهت استخراج مجموعه اقلام داده پرتکرار در پایگاه داده های تراکنشی ارائه شده اند این الگوریتم ها برای موضوعاتی از قبیل استخراج الگوهای پی در پی، استخراج الگوهای ساختاری، استخراج وابستگی ها، طبقه بندی های انجمنی، الگوهای پرتکرار مبتنی بر خوشه بندی و همچنین برنامه های کاربردی گسترده آنها توسعه داده شده اند. در این مقاله ما مروری کوتاه را از وضعیت فعلی استخراج الگوهای پرتکرار ارائه دادیم و در مورد چند مسیر پزوهشی پیشرو پیشنهاداتی ارائه کرده ایم ما اعتقاد داریم پژوهش هایی که در مورد استخراج الگوهای پرتکرار صورت پذیرفته است گسترش قابل ملاحظه ای را در دامنه تجزیه و تحلیل داده ها داشته و تاثیر عمیقی بر روی برنامه های کاربردی و روش های استخراج داده در دراز مدت دارد. با این حال هنوز هم موضوعاتی چالش برانگیز وجود دارد که بایستی قبل از استخراج الگوهای پر تکرار حل شوند تا بتوان یک رویکرد پایه ای را در کاربردهای داده کاوی ادعا نمود.

کلیدواژه‌ها:

استخراج الگوهای پرتکرار، قواعد همباش، مجموعه اقلام داده، دامنه پشتیبانی از قاعده، میزان اعتماد به قاعده

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-PUAST01-PUAST01_131.html
کد COI مقاله: PUAST01_131

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
جعفرزاده, حیدر؛ امیر امیری و روح اله رحمتی، ۱۳۹۳، یک بازنگری کامل از الگوریتم های ارائه شده در حوزه استخراج الگوهای پرتکرار، اولین همایش منطقه ای فناوری اطلاعات برق پالایش، گچساران، مرکز علمی کاربردی گچساران، https://www.civilica.com/Paper-PUAST01-PUAST01_131.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (جعفرزاده, حیدر؛ امیر امیری و روح اله رحمتی، ۱۳۹۳)
برای بار دوم به بعد: (جعفرزاده؛ امیری و رحمتی، ۱۳۹۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Agrawal R, Imielinski T, Swami A (1993) Mining association rules ...
  • Han J, Cheng H, Xin D, Yan X (2007) Frequent ...
  • Agrawal R, Srikant R (1994) Fast algorithms for mining association ...
  • Savasere A, Omiecinski E, Navathe S (1995) An efficient algorithm ...
  • Toivonen H (1996) Sampling large databases for association rules. In: ...
  • Agrawal R, Shafer JC (1996) Parallel mining of association rules: ...
  • Zaki MJ, Parthasarathy S, Ogihara M, Li W (1997) Parallel ...
  • Cheung DW, Han J, Ng V, Fu A, Fu Y ...
  • Sarawagi S, Thomas S, Agrawal R (1998) Integrating association rule ...
  • Geerts F, Goethals B, Bussche J (2001) A tight upper ...
  • Han J, Pei J, Yin Y (2000) Mining frequent patterns ...
  • Agarwal R, Aggarwal CC, Prasad VVV (2001) A tree projection ...
  • Pei J, Han J, Lakshmanan LVS (2001) Min ing frequent ...
  • Li J, Dong G, Ramamoh anrarao K (2000) Making use ...
  • Li W, Han J, Pei J (2001) CMAR: accurate and ...
  • Grahne G, Zhu J (2003) Efficently using prefix-trees in mining ...
  • Zaki MJ(2000) Scalable algorithms for association mining. IE EETransKnow Data ...
  • Holsheimer M, Kersten M, Manila H, Toivonen H (1995) A ...
  • Srikant R, Agrawal R (1995) Mining generalized association rules. In: ...
  • Han J, FuY(1995) Discovery ofmultiple- level association rules from large ...
  • Han J, Kamber M (2006) Data mining: concepts and techniques, ...
  • Kamber M, Han J, Chiang JY(1997) Meta rule-guidedmin ing ofm ...
  • Srikant R, Agrawal R(1996) Mining sequential patterns: generalizations and performance ...
  • Lent B, Swami A, Widom J (1997) Clustering association rules. ...
  • Fukuda T, Morimoto Y, Morishita S, Tokuyama T (1996) Data ...
  • Yoda K, Fukuda T, Morimoto Y, Morishita S, Tokuyama T ...
  • Miller RJ, Yang Y (1997) Association rules over interval data. ...
  • Aumann Y, Lindell Y (1999) A statistical theory for quantitative ...
  • Zhang H, Padmanabhar B, Tuzhilin A(2004) On the discovery of ...
  • Pasquier N, Bastide Y, Taouil R, Lakhal L (1999) Discovering ...
  • Zaki MJ, Hsiao CJ (2002) CHARM: an efficient algorithm for ...
  • Wang K, Jiang Y, Lakshmanan L (2003) Mining unexpected rules ...
  • Liu G, Lu H, Lou W, Yu JX (2003) On ...
  • Goethals B, Zaki M (2003) An introduction to workshop on ...
  • Bayardo RJ (1998) Efficiently mining long patterns from databases. In: ...
  • [41] Pan F, Tung AKH, Cong G, Xu X (2004) ...
  • Liu H, Han J, Xin D, Shao Z (2006) Mining ...
  • Zhu F, Yan X, Han J, Yu PS, Cheng H ...
  • Zaki M(2001) SPADE: _ efficient algorithm for m ining frequent ...
  • Pei J, Han J, Wang W (2002) Constrain t-based sequential ...
  • Pei J, Han J, Mortazavi-Al B, Wang J, Pinto H, ...
  • Yan X, Han J (2003) CloseGraph: mining closed frequent graph ...
  • Wang J, Han J (2004) BIDE: Efficient mining of frequent ...
  • Mannila H, Toivonen H, Verkamo AI (1997) Discovery of frequent ...
  • Pinto H, Han J, Pei J, Wang K, Chen Q, ...
  • Pei J, Dong G, ZouW, Han J (2002) Oncomputing condensed ...
  • Wang J, Han J, Pei J (2003) CLOSET+: searching for ...
  • Cheng H, Yan X, Han J (2004) IncSpan: incremental mining ...
  • Cheng H, Yan X Han J (2005) Seqindex: indexing sequences ...
  • Cong S, Han J, Padua D (2005) Parallel mining of ...
  • Luo C, Chung S (2005) Efficient mining of maximal sequential ...
  • Lu H, Han J, Feng L (1998) Stock movement and ...
  • Bettini C, SeanWang X, Jajodia S (1998) Mining temporal relationships ...
  • Han J, Dong G, Yin Y (1999) Efficient mining of ...
  • Ma S, Hellerstein JL (2001) Mining partially periodic event patterns ...
  • Yan X, Han J, Afshar R (2003) CloSpan: mining closed ...
  • Ukkonen A, Fortelius M, Mannila H (2005) Finding partial orders ...
  • Pei J, Liu J, Wang H, Wang K, Yu PS, ...
  • Washio T, Motoda H (2003) State of the art of ...
  • Holder LB, Cook DJ, Djoko S (1994) Substructure discovery in ...
  • Dehaspe L, Toivonen H, King R (1998) Finding frequent substructures ...
  • Inokuchi A, Washio T, Motoda H (2000) An apriori-based algorithm ...
  • Kuramochi M, Karypis G (2001) Frequent subgraph discovery. In: Proceeding ...
  • Vanetik N, Gudes E, Shimony SE (2002) Computing frequent graph ...
  • Yan X, Han J (2002) gSpan: graph-based substructure pattern mining. ...
  • Borgelt C, Berthold MR (2002) Mining molecular fragments: finding relevant ...
  • Huan J, Wang W, Prins J (2003) Efficient mining of ...
  • Huan J, Wang W, Bandyopadh yay D, Snoeyink J, Prins ...
  • Nijssen S, Kok J (2004) A quickstart in frequent structure ...
  • Zaki MJ (2002) Efficiently mining frequent trees in a forest. ...
  • Asai T, Abe K, Kawasoe S, Arimura H, Satamoto H, ...
  • Huan J, Wang W, Prins J, Yang J (2004) Spin: ...
  • Yan X, Cheng H, Han J, Xin D (2005) Summarizing ...
  • Wang C, Wang W, Pei J, Zhu Y, Shi _ ...
  • Jin R, Wang C, Polshakov D, Parthasarathy S, Agrawal G ...
  • Kuramochi M, Karypis G (2004) GREW: a scalable frequent subgraph ...
  • Ting R, Bailey J (2006) Mining minimal contrast subgraph patterns. ...
  • Ng R, Lakshmanan LVS, Han J, Pang A (1998) Exploratory ...
  • Grahne G, Lakshmanan L, Wang X (2000) Efficient mining of ...
  • Bucila C, Gehrke J, Kifer D, White W (2003) DualMiner: ...
  • Bonchi F, Gianotti F, Mazzanti A, Pedreschi D (2003) Exante: ...
  • Gade K, Wang J, Karypis G (2004) Efficient closed pattern ...
  • Bonchi F, Lucchese C (2004) On closed cons trained frequen ...
  • Calders T, Goethals B (2002) Mining all non-derivable frequent itemsets. ...
  • Calders T, Goethals B (2005) Depth-first non-derivable itemset mining. In: ...
  • Liu J, Paulsen S, Sun X, Wang W, Nobel A, ...
  • Wang J, Han J, Lu Y, Tzvetkov P (2005) TFP: ...
  • Afrati FN, Gionis A, Mannila H (2004) Approximating a collection ...
  • Yan X, Zhou XJ, Han J (2005) Mining closed relational ...
  • Wang J, Karypis G (2005) HARMONY: efficiently mining the best ...
  • Siebes A, Vreeken J, Leeuw enM(2006) Item sets that compress. ...
  • Yang C, Fayyad U, Bradley PS (2001) Efficient discovery of ...
  • Steinbach M, Tan P, Kumar V (2004) Support envelopes: A ...
  • Piatetsky- Shapiro G (1991) Notes of AAAI 91 workshop knowledge ...
  • Brin S, Motwani R, Silverstein C (1997) Beyond market basket: ...
  • Aggarwal CC, Yu PS (1998) A n ewfram ework for ...
  • Brin S, Motwani R, Ullman JD, Tsur S (1997) Dynamic ...
  • Ahmed KM, El-Makky NM, Taha Y (2000) A note on ...
  • Silverstein C, Brin S, Motwani R, Ulman JD (1998) Scalable ...
  • Hilderman RJ, Hamilton HJ (2001) Knowledge discovery and measures of ...
  • Tan P-N, Kumar V, Srivastava J (2002) Selecting the right ...
  • Omiecinski E (2003) Alternative in terestmeasures formining association, IEEE Trans ...
  • Lee Y-K, Kim W-Y, Cai YD, Han J (2003) CoMine: ...
  • Shekar B, Natarajan R (2004) A transaction -based _ eigh ...
  • Blanchard J, Guillet F, Gras R, Briand H (2005) Using ...
  • Gionis A, Mannila H, Mielikainen T, Tsaparas P (2006) Assessing ...
  • Jaroszewicz S, Simovici D (2004) interestingness of frequent itemsets using ...
  • Jaroszewicz S, Scheffer T (2005) Fast discovery of unexpected patterns ...
  • Xin D, Shen X, Mei Q, Han J (2006) Discovering ...
  • Liu B, Hsu W, Ma Y (1998) Integrating classification and ...
  • Dong G, Li J (1999) Efficient mining of emerging patterns: ...
  • Cong G, Tan K-L, Tung AKH, Xu X (2005) Mining ...
  • Cheng H, Yan X, Han J, Hsu C (2007) Discriminative ...
  • Deshpande M, KuramochiM, Karypis G (2003) Frequent sub-s tructure-based approaches ...
  • Agrawal R, Gehrke J, Gunopulos D, Raghavan P (1998) Automatic ...
  • Cheng CH, Fu AW, Zhang Y (1999) Entropy-based subspace clustering ...
  • Beil F, EsterM, Xu X (2002) Frequent term-based text clustering. ...
  • Imielinski T, Khachiyan L, Abdulghani A (2002) Cubegrades: generalizing association ...
  • Dong G, Han J, Lam J, Pei J, Wang K, ...
  • Ji X, Bailey J, Dong G (2005) Mining minimal distinguishing ...
  • Mei Q, Xin D, Cheng H, Han J, Zhai C ...
  • Hanguang L, Yu N., Intrusion Detection Technology Research Based on ...
  • Battioui, Ch., Data Mining Techniques To Analyze A Library Data ...
  • Khedikar, K, A., Lobo, M, R, J., Data Mining:You'Ve Missed ...
  • Tseng V.Sh., Wang _ M-H., Hwung, J. A New Method ...
  • Aggarwal, Sh., Rani, B., Optimization of Association Rule Mining Process ...
  • Patel B., Chaudhari V.K., , Karan R.K., Rana YK., Optimization ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۲۴۴۵
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.