3.3. Updating WEPS-TreeIn this sect

3.3. Updating WEPS-Tree

In this section, we describe the contents of tree updates corresponding to Phase I. Here, we introduce and define our own tree and list data structures used in the proposed algorithm, and devise tree update methods including tree constructing and restructuring techniques. In particular, empirical examples are followed by the techniques.

Frequent pattern mining approaches based on the sliding window model [27] and [37] use their own tree structures to store real-time data streams and mine patterns. Similarly, our algorithm employs such a basic framework in order to process continuous product data streams. In addition, the proposed algorithm utilizes not only a tree structure but also a list data structure including essential information extracted from the tree. The details of these data structures are defined and explained in this section. They also allow the proposed algorithm to reduce the number of database scans by a single time and mine weighted erasable patterns more efficiently. The tree structure, called WEPS-Tree, is composed as follows. In this algorithm, WEPS-Tree is used for efficiently storing the latest information of a given product data stream and preparing the mining process. WEPS-Tree is composed of a header table and a prefix tree. The header table is employed to store the abridged information of the tree and decide its order. Each node of WEPS-Tree includes the six fields: an item name, a profit, a pre-order index, a reconstruction flag, a set of child node links, and a parent node link. The item name and the profit are the corresponding node’s name and a sum of all the profits related to the node, respectively. The pre-order index is a number inputted through the tree traversal in a pre-order manner, and the reconstruction flag is a variable for checking whether or not the corresponding node has been restructured. The parent and child node links are pointers to connect the node to its parent and children, respectively. In addition, each node is divided into the two types of nodes, an ordinary node and a tail node. The tail node also includes an additional variable that stores pane information for controlling the sliding window model. This variable has a list form, and its size is decided by the number of panes contained into a window. Once the window and pane sizes are decided, PID and pane information is automatically managed. If the window and pane sizes are 3 and 2, respectively, three elements are created in each tail node. After that, transactions are inserted into the tree in sequence; at the same time, the profit value of each transaction is stored into the corresponding element of the tail node. Pane information is accumulated until the sliding window is filled with transaction data. Thereafter, data belonging to the oldest pane (i.e., the first element of each tail node) are deleted. In this process, the corresponding pane information is also removed, and the remaining pane information is shifted to the left.

ผลลัพธ์ (ไทย) 1:

3.3. การ WEPS ต้นไม้ในส่วนนี้ เราอธิบายเนื้อหาของการปรับปรุงแผนภูมิที่สอดคล้องกับขั้นตอนที่ผม ที่นี่ เราแนะนำ และกำหนดแผนภูมิของเราเอง และโครงสร้างรายการข้อมูลที่ใช้ในอัลกอริทึมที่เสนอ และต้นไม้ประดิษฐ์ปรับปรุงวิธีการสร้างต้นไม้และโครงสร้างเทคนิค โดยเฉพาะ ตัวอย่างเชิงประจักษ์จะตาม ด้วยเทคนิคการFrequent pattern mining approaches based on the sliding window model [27] and [37] use their own tree structures to store real-time data streams and mine patterns. Similarly, our algorithm employs such a basic framework in order to process continuous product data streams. In addition, the proposed algorithm utilizes not only a tree structure but also a list data structure including essential information extracted from the tree. The details of these data structures are defined and explained in this section. They also allow the proposed algorithm to reduce the number of database scans by a single time and mine weighted erasable patterns more efficiently. The tree structure, called WEPS-Tree, is composed as follows. In this algorithm, WEPS-Tree is used for efficiently storing the latest information of a given product data stream and preparing the mining process. WEPS-Tree is composed of a header table and a prefix tree. The header table is employed to store the abridged information of the tree and decide its order. Each node of WEPS-Tree includes the six fields: an item name, a profit, a pre-order index, a reconstruction flag, a set of child node links, and a parent node link. The item name and the profit are the corresponding node’s name and a sum of all the profits related to the node, respectively. The pre-order index is a number inputted through the tree traversal in a pre-order manner, and the reconstruction flag is a variable for checking whether or not the corresponding node has been restructured. The parent and child node links are pointers to connect the node to its parent and children, respectively. In addition, each node is divided into the two types of nodes, an ordinary node and a tail node. The tail node also includes an additional variable that stores pane information for controlling the sliding window model. This variable has a list form, and its size is decided by the number of panes contained into a window. Once the window and pane sizes are decided, PID and pane information is automatically managed. If the window and pane sizes are 3 and 2, respectively, three elements are created in each tail node. After that, transactions are inserted into the tree in sequence; at the same time, the profit value of each transaction is stored into the corresponding element of the tail node. Pane information is accumulated until the sliding window is filled with transaction data. Thereafter, data belonging to the oldest pane (i.e., the first element of each tail node) are deleted. In this process, the corresponding pane information is also removed, and the remaining pane information is shifted to the left.

ผลลัพธ์ (ไทย) 2:

3.3 การอัปเดต WEPS ต้นไม้ในส่วนนี้เราจะอธิบายเนื้อหาของการปรับปรุงต้นไม้ที่สอดคล้องกับเฟส I. นี่เราแนะนำและกำหนดต้นไม้และรายชื่อของตัวเองโครงสร้างข้อมูลของเราที่ใช้ในขั้นตอนวิธีการที่นำเสนอและประดิษฐ์ต้นไม้วิธีการปรับปรุงอาคารรวมทั้งต้นไม้และเทคนิคการปรับโครงสร้างหนี้ . โดยเฉพาะอย่างยิ่งตัวอย่างเชิงประจักษ์จะตามมาด้วยเทคนิค. วิธีการทำเหมืองแร่ที่ใช้บ่อยในรูปแบบขึ้นอยู่กับรูปแบบหน้าต่างบานเลื่อน [27] และ [37] ใช้โครงสร้างต้นไม้ของตัวเองในการจัดเก็บแบบ real-time กระแสข้อมูลและรูปแบบการเหมืองแร่ ในทำนองเดียวกันอัลกอริทึมของเรามีพนักงานดังกล่าวเป็นกรอบพื้นฐานเพื่อดำเนินการกับผลิตภัณฑ์อย่างต่อเนื่องกระแสข้อมูล นอกจากนี้ในขั้นตอนวิธีการที่นำเสนอใช้ไม่เพียง แต่โครงสร้าง แต่ยังโครงสร้างข้อมูลรายการรวมทั้งข้อมูลหอมระเหยที่สกัดจากต้นไม้ รายละเอียดของโครงสร้างข้อมูลเหล่านี้จะมีการกำหนดและอธิบายในส่วนนี้ พวกเขายังช่วยให้ขั้นตอนวิธีการที่นำเสนอเพื่อลดจำนวนการสแกนฐานข้อมูลโดยเวลาเดียวและเหมืองรูปแบบ erasable ถ่วงน้ำหนักมีประสิทธิภาพมากขึ้น โครงสร้างที่เรียกว่า WEPS ต้นไม้ประกอบด้วยดังต่อไปนี้ ในขั้นตอนวิธีการนี้ WEPS ต้นไม้ถูกนำมาใช้อย่างมีประสิทธิภาพสำหรับการจัดเก็บข้อมูลล่าสุดของกระแสข้อมูลสินค้าที่ได้รับและเตรียมความพร้อมขั้นตอนการทำเหมืองแร่ WEPS ต้นไม้ประกอบด้วยโต๊ะหัวและต้นไม้คำนำหน้า ตารางส่วนหัวเป็นลูกจ้างในการจัดเก็บข้อมูลย่อของต้นไม้และตัดสินใจสั่งซื้อของ โหนของ WEPS ต้นไม้แต่ละหกฟิลด์ชื่อรายการกำไรดัชนี Pre-order ธงฟื้นฟูชุดของการเชื่อมโยงโหนดเด็กและการเชื่อมโยงโหนดแม่ ชื่อรายการและกำไรจะสอดคล้องชื่อโหนดและผลรวมของผลกำไรทั้งหมดที่เกี่ยวข้องกับโหนดตามลำดับ ดัชนีการสั่งซื้อล่วงหน้าเป็นจำนวนป้อนผ่าน traversal ต้นไม้ในลักษณะการสั่งซื้อล่วงหน้าและธงการฟื้นฟูเป็นตัวแปรสำหรับการตรวจสอบหรือไม่ว่าโหนดที่เกี่ยวข้องได้รับการปรับโครงสร้างหนี้ ผู้ปกครองและเด็กโหนดการเชื่อมโยงเป็นตัวชี้การเชื่อมต่อโหนดไปยังผู้ปกครองและเด็ก ๆ ตามลำดับ นอกจากนี้ในแต่ละโหนดจะแบ่งออกเป็นสองประเภทของโหนดโหนดสามัญและโหนดหาง โหนดหางยังมีตัวแปรที่เพิ่มที่เก็บข้อมูลบานหน้าต่างการควบคุมรูปแบบหน้าต่างบานเลื่อน ตัวแปรนี้มีรูปแบบรายการและขนาดของมันจะตัดสินใจโดยจำนวนของบานหน้าต่างที่มีเข้ามาในหน้าต่าง เมื่อหน้าต่างและบานหน้าต่างขนาดจะตัดสินใจ PID และข้อมูลบานหน้าต่างมีการจัดการโดยอัตโนมัติ ถ้าหน้าต่างและบานหน้าต่างขนาด 3 และ 2 ตามลำดับสามองค์ประกอบถูกสร้างขึ้นในแต่ละโหนดหาง หลังจากนั้นการทำธุรกรรมจะแทรกเข้าไปในต้นไม้ในลำดับ; ในเวลาเดียวกันค่ากำไรของแต่ละรายการจะถูกเก็บไว้ในองค์ประกอบที่สอดคล้องกันของโหนดหาง ข้อมูลบานหน้าต่างสะสมจนกว่าหน้าต่างบานเลื่อนที่เต็มไปด้วยข้อมูลการทำธุรกรรม หลังจากนั้นข้อมูลที่อยู่ในบานหน้าต่างที่เก่าแก่ที่สุด (เช่นองค์ประกอบแรกของแต่ละโหนดหาง) จะถูกลบออก ในขั้นตอนนี้ข้อมูลบานหน้าต่างที่สอดคล้องกันนอกจากนี้ยังจะถูกลบออกและข้อมูลบานหน้าต่างที่เหลือจะเลื่อนไปทางซ้าย

ผลลัพธ์ (ไทย) 3:

3.3 . ปรับปรุง weps ต้นไม้ในส่วนนี้เราอธิบายถึงเนื้อหาของการปรับปรุงที่สอดคล้องกับระยะต้นผมที่นี่เราแนะนำและกำหนดของเราเอง ต้นไม้ และ รายการโครงสร้างข้อมูลที่ใช้ในวิธีที่เสนอ และประดิษฐ์ต้นไม้ ปรับปรุง รวมทั้งวิธีการสร้างโครงสร้างต้นไม้และเทคนิค โดยมีตัวอย่างเชิงประจักษ์ตามด้วยเทคนิคเหมืองแร่รูปแบบบ่อยแนวทางตามหน้าต่างเลื่อนแบบ [ 27 ] และ [ 37 ] ใช้โครงสร้างต้นไม้ของตนเองเพื่อเก็บกระแสข้อมูลเรียลไทม์และรูปแบบของฉัน ในทํานองเดียวกัน อัลกอริทึมของเราใช้เป็นกรอบพื้นฐานเพื่อการประมวลผลกระแสข้อมูลผลิตภัณฑ์อย่างต่อเนื่อง นอกจากนี้ วิธีที่เสนอจะใช้ไม่เพียง แต่โครงสร้าง แต่ยังรายการข้อมูลโครงสร้าง รวมถึงข้อมูลที่จำเป็นที่สกัดจากต้นไม้ รายละเอียดของข้อมูลเหล่านี้ โครงสร้างถูกกำหนดและอธิบายในส่วนนี้ พวกเขายังให้วิธีที่เสนอให้ลดจำนวนของฐานข้อมูลโดยการสแกนครั้งแรกและเหมืองถ่วงน้ำหนักลบออกรูปแบบได้อย่างมีประสิทธิภาพ โครงสร้างต้นไม้ เรียกว่า weps ต้นไม้ ประกอบด้วยดังนี้ ในขั้นตอนนี้ weps ต้นไม้ใช้มีประสิทธิภาพการจัดเก็บข้อมูลล่าสุดของการได้รับข้อมูลสินค้าและเตรียมกระบวนการการทำเหมืองแร่ weps ต้นไม้ประกอบด้วยส่วนหัวของตารางและคำนำหน้าต้นไม้ ส่วนหัวของตารางที่ใช้เก็บข้อมูลย่อของต้นไม้และตัดสินใจสั่งซื้อของ แต่ละโหนดของต้นไม้ weps รวมถึงหกเขตข้อมูล : ชื่อสินค้า กำไร ก่อนสั่งดัชนี ฟื้นฟูธง , ชุดของการเชื่อมโยงโหนดเด็ก และผู้ปกครอง โหนดเชื่อมโยง รายการชื่อและกำไรเป็นชื่อที่โหนดและผลรวมของกำไรที่เกี่ยวข้องกับโหนด ตามลำดับ ดัชนีก่อนสั่งเป็นหมายเลขป้อนผ่านต้นไม้ที่กีดขวางในลักษณะสั่ง pre และธง reconstruction คือตัวแปรสำหรับการตรวจสอบหรือไม่ที่โหนดถูกไล่ออก แม่และเด็ก การเชื่อมโยงตัวชี้ไปยังโหนดเชื่อมต่อโหนดพ่อแม่ และเด็ก ตามลำดับ นอกจากนี้ แต่ละโหนดจะแบ่งออกเป็นสองประเภทของโหนดที่เป็นโหนดโหนดหางธรรมดาและ ปมหางยังมีตัวแปรอื่นที่ร้านบานข้อมูลสำหรับการควบคุมหน้าต่างบานเลื่อนรุ่น ตัวแปรนี้มีรูปแบบรายการและขนาดของมันจะตัดสินจากจำนวนที่มีอยู่ในบานหน้าต่าง เมื่อหน้าต่างบานหน้าต่างบานหน้าต่างขนาดจะตัดสินใจ และจัดการข้อมูลแบบอัตโนมัติ ถ้าหน้าต่างและบานหน้าต่างขนาด 3 และ 2 ตามลำดับ สามองค์ประกอบที่ถูกสร้างขึ้นในแต่ละหางโหนด หลังจากที่การทำธุรกรรมจะแทรกในต้นไม้ในลำดับ ในเวลาเดียวกัน กำไร มูลค่าของแต่ละรายการจะถูกเก็บไว้ในองค์ประกอบที่สอดคล้องกันของปมหาง ข้อมูลเพนจะสะสมจนเลื่อนหน้าต่างที่เต็มไปด้วยข้อมูลธุรกรรม หลังจากนั้น ข้อมูลของบานหน้าต่างที่เก่าแก่ที่สุด ( เช่น องค์ประกอบแรกของแต่ละหางปม ) จะถูกลบออก ในขั้นตอนนี้ ข้อมูลบานหน้าต่างที่ยังเป็นลบ และอีกช่องข้อมูลจะขยับไปทางซ้าย