Given a set of transactions D, the

Given a set of transactions D, the problem of mining association rules is to generate all association
rules that have support and condence greater than the user-specied minimum support
(called minsup) and minimum condence (called minconf ) respectively. Our discussion is neutral
with respect to the representation of D. For example, D could be a data le, a relational table, or
the result of a relational expression.
An algorithm for nding all association rules, henceforth referred to as the AIS algorithm, was
presented in [AIS93b]. Another algorithm for this task, called the SETM algorithm, has been
proposed in [HS93]. In this paper, we present two new algorithms, Apriori and AprioriTid, that
dier fundamentally from these algorithms. We present experimental results, using both synthetic
and real-life data, showing that the proposed algorithms always outperform the earlier algorithms.
The performance gap is shown to increase with problem size, and ranges from a factor of three
for small problems to more than an order of magnitude for large problems. We then discuss
how the best features of Apriori and AprioriTid can be combined into a hybrid algorithm, called
AprioriHybrid. Experiments show that the AprioriHybrid has excellent scale-up properties, opening
up the feasibility of mining association rules over very large databases.

ผลลัพธ์ (ไทย) 1:

กำหนดชุดของธุรกรรม D ปัญหาของข้อบังคับสมาคมเหมืองแร่คือการ สร้างความสัมพันธ์ทั้งหมดกฎที่มีการสนับสนุน และกอนมากกว่าผู้ใช้-speci dence ed สนับสนุนต่ำสุด(เรียกว่า minsup) และต่ำสุดคอน dence (เรียกว่า minconf) ตามลำดับ สนทนาของเราเป็นกลางกับการแสดงดี ตัวอย่าง D อาจเป็นข้อมูลเลอ ตารางเชิง หรือผลลัพธ์ของนิพจน์เชิงเป็นอัลกอริทึมสำหรับ nding ข้อบังคับสมาคมทั้งหมด แท้ ๆ เรียกว่าอัลกอริทึมเอไอเอส ถูกนำเสนอใน [AIS93b] อัลกอริทึมอื่นสำหรับงานนี้ เรียกว่าอัลกอริทึม SETM ได้รับนำเสนอใน [HS93] ในเอกสารนี้ เรานำเสนอสองใหม่อัลกอริทึม Apriori และ AprioriTid ที่ดิเอ้อ ภาระจากอัลกอริทึมเหล่านี้ เรานำเสนอผลการทดลอง ใช้หนังสังเคราะห์ทั้งสองและชีวิตจริง ข้อมูล แสดงว่า อัลกอริทึมเสนอ outperform อัลกอริทึมก่อนเสมอแสดงช่องว่างของประสิทธิภาพการทำงานเพิ่มขึ้นกับขนาดของปัญหา และปัจจัยที่สามสำหรับปัญหาเล็กไปมากกว่าขนาดของใบสั่งเป็นปัญหาใหญ่ แล้วเจรจาวิธีรวมจุดเด่นของ Apriori และ AprioriTid ได้เป็นอัลกอริทึมแบบผสมผสาน เรียกว่าAprioriHybrid การทดลองแสดงว่า AprioriHybrid ที่มีมาตราส่วนค่าคุณสมบัติ เปิดค่าความเป็นไปได้ของข้อบังคับสมาคมเหมืองแร่ผ่านฐานข้อมูลขนาดใหญ่มาก

ผลลัพธ์ (ไทย) 2:

รับชุดของการทำธุรกรรม D
ปัญหาของกฎสมาคมเหมืองแร่คือการสร้างความสัมพันธ์ทุกกฎที่มีการสนับสนุนและต่อต้านมั่นใจมากกว่าเอ็ดใช้speci สนับสนุนขั้นต่ำ
(เรียกว่า minsup) และต่ำสุดนักโทษมั่นใจ (เรียกว่า minconf) ตามลำดับ การสนทนาของเราเป็นที่เป็นกลางเกี่ยวกับการเป็นตัวแทนของดีตัวอย่างเช่น D อาจจะเป็นข้อมูล le โต๊ะสัมพันธ์หรือผลของการแสดงออกเชิงสัมพันธ์. อัลกอริทึมสำหรับ nding กฎสมาคมต่อจากนี้ไปจะเรียกว่าอัลกอริทึมเอไอเอส ถูกนำเสนอใน[AIS93b] ขั้นตอนวิธีการอีกอย่างหนึ่งสำหรับงานนี้เรียกว่าอัลกอริทึม SETM ได้รับการเสนอใน[HS93] ในบทความนี้เราจะนำเสนอสองขั้นตอนวิธีใหม่ Apriori และ AprioriTid ที่ดิ? เอ้อพื้นฐานจากขั้นตอนวิธีการเหล่านี้ เรานำเสนอผลการทดลองโดยใช้ทั้งสังเคราะห์ข้อมูลและในชีวิตจริงแสดงให้เห็นว่าขั้นตอนวิธีการที่นำเสนอมักจะมีประสิทธิภาพสูงกว่าขั้นตอนวิธีการก่อนหน้านี้. ช่องว่างประสิทธิภาพการทำงานที่มีการแสดงเพื่อเพิ่มขนาดปัญหาและช่วงจากปัจจัยที่สามสำหรับปัญหาเล็ก ๆ ให้มากขึ้นกว่า ลำดับความสำคัญสำหรับปัญหาที่มีขนาดใหญ่ จากนั้นเราจะหารือเกี่ยวกับวิธีการที่ดีที่สุดของคุณลักษณะ Apriori และ AprioriTid สามารถรวมกันเป็นขั้นตอนวิธีไฮบริดที่เรียกว่า AprioriHybrid การทดลองแสดงให้เห็นว่า AprioriHybrid มีคุณสมบัติระดับขึ้นที่ยอดเยี่ยมเปิดขึ้นเป็นไปได้ของกฎสมาคมเหมืองแร่มากกว่าฐานข้อมูลขนาดใหญ่มาก

ผลลัพธ์ (ไทย) 3:

ได้รับชุดของรายการ D ปัญหากฎความสัมพันธ์คือการสร้างสมาคม
กฎที่ได้สนับสนุนและต่อต้าน  dence มากกว่าประเภทผู้ใช้  เอ็ดขั้นต่ำสนับสนุน
( เรียก minsup ) และต่ำสุด คอน  dence ( เรียกว่า minconf ) ตามลำดับ การสนทนาของเราเป็นกลาง
ด้วยความเคารพในการเป็นตัวแทนของ D . ตัวอย่างเช่น , D อาจเป็นข้อมูล  เลอ , สัมพันธ์หรือ
โต๊ะผลของการแสดงออกเชิงสัมพันธ์
ขั้นตอนวิธีสำหรับ  nding กฎสมาคม ภายหลังเรียกว่า อัลกอริทึม เอไอเอส ได้นำเสนอใน ais93b
[ ] อีกวิธีสำหรับงานนี้เรียกว่า setm อัลกอริทึมได้ถูกเสนอใน hs93
[ ] ในกระดาษนี้เรานำเสนอสองขั้นตอนวิธีการใหม่ และแบบ aprioritid ที่
ตี้  เอ้อพื้นฐานจากขั้นตอนวิธีเหล่านี้ เรานำเสนอผลการทดลองใช้ทั้งสังเคราะห์
และข้อมูลในชีวิตจริง แสดงว่าอัลกอริทึมใหม่มักจะมีประสิทธิภาพสูงกว่าขั้นตอนวิธีก่อนหน้านี้
ผลงานแสดงเพื่อเพิ่มขนาดปัญหาและช่วงจากปัจจัยที่สาม
สำหรับปัญหาขนาดเล็กมากกว่าคำสั่งของขนาดของปัญหาใหญ่ จากนั้นเราก็คุยกัน
วิธีคุณสมบัติที่ดีที่สุดของ aPriori และ aprioritid สามารถรวมกันเป็นแบบลูกผสมเรียกว่า
apriorihybrid . การทดลองแสดงให้เห็นว่า apriorihybrid มีคุณสมบัติระดับยอดเยี่ยม เปิด
ขึ้นความเป็นไปได้กฎความสัมพันธ์ผ่านฐานข้อมูลขนาดใหญ่มาก