Finding aggregations of records wit

Finding aggregations of records with high dimensionality in large data warehouses is a crucial and costly task. These groups of similar records are the result of partitions obtained with GROUP BYs. In this research, we focus on obtaining aggregations of groups of similar records by turning the problem into efficient binary clustering of a fact table as a relaxation of a GROUP BY clause. We present an efficient window-based Incremental K-Means algorithm in a relational database system implemented as a user-defined function. This variant is based on the Incremental K-Means algorithm. The speed up is achieved through the computation of sufficient statistics, multithreading, efficient distance computation and sparse matrix operations. Finally, the performance of our algorithm is compared against multiple variants of the K-Means algorithm. Our experiments show that our incremental K-Means algorithm achieves similar or even better results more quickly than the traditional K-Means algorithm.

ผลลัพธ์ (ไทย) 1:

ค้นหารวมของระเบียนที่ มี dimensionality สูงในคลังข้อมูลขนาดใหญ่เป็นงานที่สำคัญ และค่าใช้จ่าย เรกคอร์ดที่คล้ายกันกลุ่มเหล่านี้มีผลกั้นได้ ด้วยกลุ่ม BYs ในงานวิจัยนี้ เราเน้นรับรวมกลุ่มของเรกคอร์ดที่คล้ายกันโดยการเปลี่ยนปัญหาให้เป็นมีประสิทธิภาพนารีคลัสเตอร์ของตารางข้อเท็จจริงเป็นการผ่อนคลายของอนุประโยค GROUP BY เรานำเสนอมีประสิทธิภาพตามหน้าต่างเพิ่ม K-หมายถึงอัลกอริทึมในระบบฐานข้อมูลเชิงสัมพันธ์ใช้เป็นฟังก์ชันผู้ใช้กำหนดเอง ตัวแปรนี้จะขึ้นอยู่กับอัลกอริทึมวิธี K เพิ่มขึ้น ทำความเร็วค่าคำนวณสถิติเพียงพอ มัลติเธรด คำนวณระยะทางที่มีประสิทธิภาพ และบ่อเมตริกซ์การดำเนินการ สุดท้าย ประสิทธิภาพการทำงานของอัลกอริทึมของเรามีการเปรียบเทียบกับหลายตัวแปรของอัลกอริทึมหมายถึง K การทดลองของเราแสดงว่า อัลกอริทึมของเราหมายความว่า K เพิ่มได้รับผลลัพธ์ที่คล้ายคลึงกัน หรือยิ่งได้รวดเร็วกว่าอัลกอริทึมหมายถึง K แบบดั้งเดิม

ผลลัพธ์ (ไทย) 2:

หารวมของระเบียนที่มีมิติสูงในคลังข้อมูลขนาดใหญ่เป็นงานที่สำคัญและค่าใช้จ่าย กลุ่มของระเบียนที่คล้ายกันเหล่านี้เป็นผลมาจากพาร์ทิชันรับกับ BYS GROUP ในงานวิจัยนี้เรามุ่งเน้นไปที่การได้รับรวมของกลุ่มของระเบียนที่คล้ายกันด้วยการเปลี่ยนปัญหาในการจัดกลุ่มไบนารีที่มีประสิทธิภาพของตารางความจริงการผ่อนคลายของกลุ่มโดยข้อ เรานำเสนอหน้าต่างตามขั้นตอนวิธีการที่มีประสิทธิภาพที่เพิ่มขึ้น K-หมายถึงในระบบฐานข้อมูลเชิงสัมพันธ์ใช้เป็นฟังก์ชั่นที่ผู้ใช้กำหนด ตัวแปรนี้จะขึ้นอยู่กับขั้นตอนวิธีการที่เพิ่มขึ้น K-หมายถึง ความเร็วขึ้นสามารถทำได้โดยการคำนวณสถิติเพียงพอ multithreading, การคำนวณระยะทางที่มีประสิทธิภาพและการดำเนินงานของเมทริกซ์เบาบาง ในที่สุดการทำงานของอัลกอริทึมของเราเมื่อเทียบกับหลายสายพันธุ์ของขั้นตอนวิธี K-หมายถึง การทดลองของเราแสดงให้เห็นว่าขั้นตอนวิธี K-หมายถึงที่เพิ่มขึ้นของเราบรรลุผลที่คล้ายกันหรือดียิ่งขึ้นได้เร็วกว่าขั้นตอนวิธี K-หมายถึงแบบดั้งเดิม

ผลลัพธ์ (ไทย) 3:

ค้นหาการรวมของระเบียนที่มีสูง dimensionality ในคลังสินค้าข้อมูลขนาดใหญ่เป็นสำคัญและค่าใช้จ่ายงาน เหล่านี้กลุ่มของระเบียนที่คล้ายกันเป็นผลของพาร์ทิชันที่กลุ่มโดย ในงานวิจัยนี้เรามุ่งเน้นไปที่การได้รับการรวมกลุ่มของระเบียนที่คล้ายกันด้วยการเปลี่ยนปัญหาให้เป็นไบนารีสำหรับประสิทธิภาพของตารางข้อเท็จจริงเป็นการพักผ่อนของกลุ่มโดยข้อเรานำเสนอหน้าต่างที่มีประสิทธิภาพเพิ่มขึ้นตาม k-means ขั้นตอนวิธีในฐานข้อมูลเชิงสัมพันธ์ ระบบใช้เป็นฟังก์ชันที่ผู้ใช้กำหนด ตัวแปรนี้จะขึ้นอยู่กับการเพิ่ม k-means ขั้นตอนวิธี ความเร็วขึ้นได้จากการคำนวณของสถิติเพียงพอ multithreading , การคำนวณระยะทางที่มีประสิทธิภาพและการดำเนินการเมตริกซ์หร็อมแหร็ม . ในที่สุดประสิทธิภาพของขั้นตอนวิธีของเราเมื่อเทียบกับหลายสายพันธุ์ของ k-means ขั้นตอนวิธี การทดลองของเราได้แสดงให้เห็นว่าเพิ่มขึ้น k-means ขั้นตอนวิธีใช้เหมือนกันหรือดีกว่าผลเร็วกว่าขั้นตอนวิธี k-means แบบดั้งเดิม