ConclusionsIn this paper, we propos

Conclusions
In this paper, we proposed an algorithm for efficiently mining weighted erasable patterns over sliding window-based product data streams. In order to allow the proposed algorithm to effectively consider the latest information on a given product data stream, we devised new tree and list data structures and effectively applied them into our mining process. Through the window updating and tree restructuring techniques, we also allowed the proposed tree structure to efficiently maintain the latest information in a compact tree form. Moreover, we improved the mining performance of the proposed algorithm by storing only essential information of the tree’s data used in the actual mining process into the list structure and employing this information during the pattern expanding operations. In addition, our algorithm mined more meaningful patterns considering not only the gain values of patterns but also different item importance by applying the weight factors into the erasable pattern mining framework. We also enhanced the mining performance of our algorithm by proposing a strong pattern pruning technique using the weight factor, and prevented unintended pattern losses caused by the weight factor through applying the overestimated method satisfying the anti-monotone property. The extensive performance evaluation results clearly supported the contributions of this paper. From the results and analyses of the performance evaluations, we determined that the proposed method is more efficient and scalable than the previous state-of-the-art approaches in terms of runtime, memory, and pattern generation aspects.

ผลลัพธ์ (ไทย) 1:

บทสรุปIn this paper, we proposed an algorithm for efficiently mining weighted erasable patterns over sliding window-based product data streams. In order to allow the proposed algorithm to effectively consider the latest information on a given product data stream, we devised new tree and list data structures and effectively applied them into our mining process. Through the window updating and tree restructuring techniques, we also allowed the proposed tree structure to efficiently maintain the latest information in a compact tree form. Moreover, we improved the mining performance of the proposed algorithm by storing only essential information of the tree’s data used in the actual mining process into the list structure and employing this information during the pattern expanding operations. In addition, our algorithm mined more meaningful patterns considering not only the gain values of patterns but also different item importance by applying the weight factors into the erasable pattern mining framework. We also enhanced the mining performance of our algorithm by proposing a strong pattern pruning technique using the weight factor, and prevented unintended pattern losses caused by the weight factor through applying the overestimated method satisfying the anti-monotone property. The extensive performance evaluation results clearly supported the contributions of this paper. From the results and analyses of the performance evaluations, we determined that the proposed method is more efficient and scalable than the previous state-of-the-art approaches in terms of runtime, memory, and pattern generation aspects.

ผลลัพธ์ (ไทย) 2:

ข้อสรุป
ในบทความนี้เราจะนำเสนอขั้นตอนวิธีการทำเหมืองแร่อย่างมีประสิทธิภาพสำหรับรูปแบบ erasable ถ่วงน้ำหนักมากกว่าหน้าต่างบานเลื่อนตามกระแสข้อมูลสินค้า เพื่อให้ขั้นตอนวิธีการที่นำเสนอได้อย่างมีประสิทธิภาพพิจารณาข้อมูลล่าสุดเกี่ยวกับกระแสข้อมูลสินค้าให้เราวางแผนใหม่โครงสร้างต้นไม้และรายการข้อมูลได้อย่างมีประสิทธิภาพและใช้พวกเขาเข้าสู่กระบวนการทำเหมืองแร่ของเรา ผ่านการปรับปรุงหน้าต่างและการปรับโครงสร้างต้นไม้เทคนิคเรายังได้รับอนุญาตให้โครงสร้างที่นำเสนอได้อย่างมีประสิทธิภาพในการรักษาข้อมูลล่าสุดในรูปแบบต้นไม้ที่มีขนาดกะทัดรัด นอกจากนี้เรายังปรับปรุงประสิทธิภาพของขั้นตอนวิธีการทำเหมืองแร่ที่นำเสนอโดยการจัดเก็บเฉพาะข้อมูลที่สำคัญของข้อมูลของต้นไม้ที่ใช้ในกระบวนการการทำเหมืองแร่ที่เกิดขึ้นจริงในโครงสร้างรายการและใช้ข้อมูลนี้ในระหว่างรูปแบบขยายการดำเนินงาน นอกจากนี้อัลกอริทึมที่ขุดรูปแบบที่มีความหมายมากขึ้นพิจารณาไม่เพียง แต่ค่ากำไรจากรูปแบบ แต่ยังสำคัญรายการที่แตกต่างกันโดยใช้ปัจจัยน้ำหนักลงในกรอบรูปแบบการทำเหมืองแร่ที่ลบข้อมูล นอกจากนี้เรายังเพิ่มประสิทธิภาพการทำเหมืองแร่ของอัลกอริทึมของเราโดยนำเสนอรูปแบบเทคนิคการตัดแต่งกิ่งที่แข็งแกร่งโดยใช้ปัจจัยน้ำหนักและป้องกันไม่ให้เกิดการสูญเสียรูปแบบที่ไม่ได้ตั้งใจที่เกิดจากปัจจัยน้ำหนักผ่านการใช้วิธีการประเมินความพึงพอใจของสถานที่ให้บริการป้องกันเสียงเดียว ผลการประเมินประสิทธิภาพการทำงานที่กว้างขวางได้รับการสนับสนุนอย่างชัดเจนผลงานของบทความนี้ จากผลการศึกษาและวิเคราะห์การประเมินผลการปฏิบัติงานที่เราพิจารณาแล้วว่าวิธีที่นำเสนอมีประสิทธิภาพมากขึ้นและปรับขนาดได้กว่ารัฐของศิลปะวิธีการก่อนหน้านี้ในแง่ของการรันไทม์หน่วยความจำและด้านการสร้างรูปแบบ