การค้นหารูปแบบปรากฏบ่อยเคอันดับแรกและปรากฏอย่างสม่ำเสมอจากข้อมูลกระแสด้วยเทคนิคการเลื่อนหน้าต่าง

Mining top-k frequent-regular itemsets from data streams based on sliding window technique

Name: ธาชินี มีเสมา

ThaSH: มหาวิทยาลัยบูรพา.สาขาวิชาเทคโนโลยีสารสนเทศ

ThaSH: ข้อมูล -- การวิเคราะห์

ThaSH: ฐานข้อมูล

Abstract: การค้นหารูปแบบที่ปรากฏบ่อยและปรากฏอย่างสม่ำเสมอได้รับความสนใจอย่างมากและถูกนำมาประยุกต์ใช้ในงานด้านต่าง ๆ อาทิเช่น งานด้านวิทยาศาสตร์ ด้านการแพทย์ ด้านการทำธุรกรรมต่าง ๆ เป็นต้น การค้นหารูปแบบที่ปรากฏบ่อยและปรากฏอย่างสม่ำเสมอภายใต้กรอบการพิจารณา ความสำคัญของความถี่/ความบ่อย และความสม่ำเสมอของการปรากฏซ้ำ ซึ่งการกำหนดค่าขีดแบ่งสนับสนุนที่เหมาะสมและความสม่ำเสมอ เพื่อวัดความน่าสนใจของเซตรายการนั้นสามารถทำได้ยาก ซึ่งอาจส่งผลให้ไม่มีผลลัพธ์ที่เพียงพอต่อความต้องการซึ่งทำให้ผลลัพธ์ที่ได้ไม่มีประโยชน์ต่อการนำข้อมูลไปใช้การวิเคราะห์ นอกจากนี้ยังมีการค้นหารูปแบบที่น่าสนใจจากฐานข้อมูลกระแสที่มีการไหลเวียนของข้อมูลอย่างต่อเนื่อง เพื่อประยุกต์ใช้กับธุรกิจที่มีการเพิ่มขึ้นของทรานแซกชั่นเป็นจำนวนมาก อาทิเช่น ข้อมูลการใช้บริการอินเทอร์เน็ต ข้อมูลหุ้น บริการที่ลูกค้าใช้บริการบ่อยในช่วงเวลาหนึ่ง ๆ จึงได้มีการคิดค้นการค้นหารูปแบบที่ปรากฏบ่อยสุดเคอันดับแรกและปรากฏอย่างสม่ำเสมอ จากฐานข้อมูลกระแส โดยการใช้เทคนิคการเลื่อนหน้าต่างในการพิจารณาเหตุการณ์ที่เกิดขึ้นล่าสุด ซึ่งถือได้ว่ามีความสำคัญมากกว่าเหตุการณ์ที่เกิดก่อนหน้านี้ขั้นตอนวิธีที่นำเสนอเรียกว่า TFRIM-DS (Top-k frequent-regular itemsets from data streams) ซึ่งจะได้ผลลัพธ์ของเซตรายการที่ปรากฏสมำเสมอและมีค่าสนับสนุนสูงสุดเคอันดับแรกในหน้าต่างการพิจารณาในปัจุบัน นอกจากนี้ยังมีการใช้บิตเวกเตอร์ที่ออกแบบมาเพื่อใช้ในการจัดเก็บเซตรายการ และนำบิตเวกเตอร์มาใช้ซ้ำเมื่อมีการเปลี่ยนแปลงของหน้าต่างการพิจารณาในการทดลองจะแสดงให้เห็นถึงประสิทธิภาพของขั้นตอนวิธี TFRIM-DS เพื่อใช้สำหรับค้นหารูปแบบที่ปรากฏบ่อยเคอันดับแรกและปรากฏอย่างสมำเสมอจากฐานข้อมูลกระแสด้วยเทคนิคการเลื่อนหน้าต่าง

Abstract: Frequent-regular itemset mining has achieved a great attention and applied in several applications. In this framework, an itemset that frequently and regularly occurs in a database is identified as interesting. However, without prior knowledge, the setting appropriate support and regularity thresholds to measure interestingness of itemsets is quite difficult. This may lead to none, only few or overwhelm of generated results causing users cannot further take advantages from these itemsets. In addition, mining interesting itemsets over data streams is a challenging task on various domains. Therefore, to cope with these issues, we here propose an approach to mine top-k frequent-regular itemsets over data streams.To mine such itemsets, the concept of sliding window is applied in which recent occurrences are considered to be more important than the former occurrences. An efficient single- pass algorithm, called “TFRIM-DS” is also introduced to mine a set of k itemsets that regularly occur and have highest support in the current considered window. In addition, a bit-vector with a reuse technique is applied and designed to efficiently maintain occurrence information of each itemset. Experiments were conducted and showed efficiency of our proposed TFRIM-DS to mine top-k frequent-regular itemsets over sliding window of data streams.

มหาวิทยาลัยบูรพา. สำนักหอสมุด

Address: ชลบุรี

Email: buulibrary@buu.ac.th

Name: โกเมศ อัมพวัน

Role: อาจารย์ที่ปรึกษา

Created: 2561

Modified: 2563-07-15

Issued: 2563-07-15

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: ว 004.21 ธ489ก

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: เทคโนโลยีสารสนเทศ

Grantor: มหาวิทยาลัยบูรพา

©copyrights มหาวิทยาลัยบูรพา

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	57920140.pdf	6.65 MB	1	2022-04-23 19:07:43

ใช้เวลา

0.016443 วินาที