a variety of works related to frequent pattern mining have actively been
studied to provide better performance or more useful information
to users. Moreover, frequent pattern mining methods [6,7] have
been applied into various user environments such as top-k pattern
mining [8], utility pattern mining [9–11], representative pattern
mining [12–14,7], network traffic visualizing [15], and incremental
pattern mining [16]. As another variation, frequent pattern mining
has also been applied in dynamic data streams as well as static
databases. Since traditional frequent pattern mining methods
perform two or more database scans to analyze a given database,
they have limitations of dealing with dynamic data streams that
require immediate processing. To deal with such data streams in
frequent pattern mining, various concepts and models have been
proposed [17,18]. Sliding window-based pattern mining [19,20]
กำลังได้รับความหลากหลายของงานที่เกี่ยวข้องกับการทำเหมืองแร่รูปแบบบ่อยศึกษาเพื่อให้ประสิทธิภาพที่ดีขึ้นหรือข้อมูลที่เป็นประโยชน์มากผู้ใช้ นอกจากนี้ มีวิธีการทำเหมืองแร่รูปแบบบ่อย [6, 7]การนำไปใช้ในสภาพแวดล้อมของผู้ใช้ต่าง ๆ เช่นรูปด้านบน-kเหมืองแร่ [8], รูปแบบประโยชน์การทำเหมืองแร่รูปแบบตัวแทน [9-11],เหมืองแร่ [12-14,7] [15], การแสดงผลของเครือข่าย และเพิ่มรูปแบบการทำเหมืองแร่ [16] เป็นรูปแบบหนึ่ง การทำเหมืองแร่รูปแบบที่พบบ่อยนอกจากนี้ยังมีการใช้ในกระแสข้อมูลแบบไดนามิกเป็นแบบคงฐานข้อมูล ตั้งแต่วิธีการทำเหมืองแร่รูปแบบดั้งเดิมของบ่อยทำ สองสแกนฐานข้อมูลวิเคราะห์กำหนดฐานมีข้อจำกัดของการจัดการกับข้อมูลแบบไดนามิกกระแสที่ต้องประมวลผลทันที การจัดการกับกระแสข้อมูลดังกล่าวในการทำเหมืองแร่รูปแบบบ่อย ต่าง ๆ แนวคิด และรูปแบบนำเสนอ [17,18] เลื่อนหน้าต่างตามรูปแบบการทำเหมืองแร่ [19,20]
การแปล กรุณารอสักครู่..
