針對傳統(tǒng)的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法存在數(shù)據(jù)挖掘時間較長、準確性較低等問題,提出一種基于時間戳的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法。在訓練階段,利用貝葉斯分類算法找到所有復雜網(wǎng)絡數(shù)據(jù)流頻繁項集,并計算不同復雜網(wǎng)絡數(shù)據(jù)流頻繁項集的概率估值,在測試階段,針對不同的測試樣本構(gòu)造不同的分類器,集成分類器,獲取分類結(jié)果。通過分類結(jié)果,構(gòu)建時間戳的滑動窗口模型,根據(jù)滑動窗口的大小對項集進行延遲處理,當項集的類型變化界限超過一定的閾值時,需要重新計算支持度,根據(jù)計算結(jié)果更新變化界限,完成復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘。實驗結(jié)果表明,所提方法能夠快速、準確地對數(shù)據(jù)流頻繁項集進行人工智能挖掘。 

【文章來源】：計算機仿真. 2020年04期 第330-334頁 北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

所提方法的數(shù)據(jù)流頻繁項集人工智能挖掘時間

基于改進Spark的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法的數(shù)據(jù)流頻繁項集人工智能挖掘時間

圖2 基于改進Spark的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法的數(shù)據(jù)流頻繁項集人工智能挖掘時間分析圖1可知,所提方法的頻繁項集人工智能挖掘時間一直處于平穩(wěn)上升的趨勢,但是上升幅度較小。分析圖2可知,基于改進Spark的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法的頻繁項集人工智能挖掘時間也一直處于上升的趨勢,但是上升幅度相比所提方法要大很多,最長時間達到了9.2分鐘。分析圖3可知,基于改進FPTree的復雜網(wǎng)絡數(shù)據(jù)流頻繁項集人工智能挖掘方法的數(shù)據(jù)流頻繁項集人工智能挖掘時間一直處于不穩(wěn)定的狀態(tài),忽高忽低,與所提方法相比,還存在一定的差距。通過上述實驗對比可知,所提方法的數(shù)據(jù)流頻繁項集人工智能挖掘時間在3種方法中為最低,所提方法能夠有效減少數(shù)據(jù)挖掘時間,提高數(shù)據(jù)挖掘效率。

【參考文獻】：
期刊論文
[1]基于數(shù)據(jù)集稀疏度的頻繁項集挖掘算法性能分析[J]. 肖文,胡娟.  計算機應用. 2018(04)
[2]高效的數(shù)據(jù)流完全頻繁項集挖掘算法[J]. 茹蓓,賀新征.  計算機工程與設計. 2017(10)
[3]基于Spark改進的最大頻繁項集挖掘算法[J]. 焦?jié)櫤?張謙,陳超.  計算機工程與設計. 2017(07)
[4]非結(jié)構(gòu)化網(wǎng)絡中有價值信息數(shù)據(jù)挖掘研究[J]. 林媛.  計算機仿真. 2017(02)
[5]基于數(shù)據(jù)挖掘的煤礦大數(shù)據(jù)可視化管理平臺研究[J]. 申琢,譚章祿.  中國煤炭. 2016(12)
[6]時間序列數(shù)據(jù)挖掘的相似性度量綜述[J]. 陳海燕,劉晨暉,孫博.  控制與決策. 2017(01)
[7]基于數(shù)據(jù)挖掘的樓宇短期負荷預測方法研究[J]. 林順富,郝朝,湯曉棟,李東東,符楊.  電力系統(tǒng)保護與控制. 2016(07)
[8]《中醫(yī)方劑大辭典》含丹參、紅花藥對組方規(guī)律數(shù)據(jù)挖掘分析[J]. 崔一然,劉欣,申丹,楊洪軍,唐仕歡.  中國中藥雜志. 2016(03)
[9]弧后盆地玄武巖(BABB)數(shù)據(jù)挖掘:與MORB及IAB的對比[J]. 楊婧,王金榮,張旗,陳萬峰,潘振杰,焦守濤,王淑華.  地球科學進展. 2016(01)
[10]不確定數(shù)據(jù)流最大頻繁項集挖掘算法研究[J]. 劉慧婷,候明利,趙鵬,姚晟.  計算機工程與應用. 2016(19)



本文編號：2912476