基于極小數(shù)據(jù)結(jié)構(gòu)的不確定頻繁模式挖掘算法分析

王鵬宇

（山西應(yīng)用科技學(xué)院 山西 太原 030000）

1 引言

在網(wǎng)絡(luò)技術(shù)不斷發(fā)展下，各種新型IT設(shè)備不斷涌現(xiàn)，導(dǎo)致大量數(shù)據(jù)不斷產(chǎn)生，這無疑加大了人們對海量數(shù)據(jù)的處理難度。而不確定頻繁模式挖掘算法的出現(xiàn)和應(yīng)用可以很好地解決以上問題，該算法綜合利用了極小數(shù)據(jù)結(jié)構(gòu)，不僅可以提高數(shù)據(jù)處理效率和效果，還能保證挖掘精確度，完全符合不確定數(shù)據(jù)庫處理需求。因此，為了從海量數(shù)據(jù)中分析和挖掘出有用的信息，在極小數(shù)據(jù)結(jié)構(gòu)的應(yīng)用背景下，如何科學(xué)地分析和應(yīng)用不確定頻繁模式挖掘算法是相關(guān)人員必須思考和解決的問題。

2 不確定頻繁模式挖掘

2.1 頻繁模式挖掘概述

頻繁模式挖掘主要是指從大量的指定數(shù)據(jù)庫中分析和挖掘有價(jià)值的信息數(shù)據(jù)。在正式進(jìn)行數(shù)據(jù)挖掘處理之前，需要設(shè)置相應(yīng)的最小支持度，用于實(shí)現(xiàn)對最小閾值的精確衡量。換而言之，一旦發(fā)現(xiàn)某一模式的支持度遠(yuǎn)遠(yuǎn)超過最小閾值，說明該模式屬于人們比較感興趣的頻繁模式。例如：在使用FPGrowth這一挖掘算法時(shí)，由于該算法充分利用了樹結(jié)構(gòu)頻繁模式，不僅可以保證搜索內(nèi)容的深度和廣度，還能提高數(shù)據(jù)挖掘效率和效果，確保樹結(jié)構(gòu)存儲(chǔ)大量的有價(jià)值的壓縮數(shù)據(jù)，從而極大地提高了用戶的搜索體驗(yàn)。FPGrowth這一挖掘算法流行的主要原因是該算法突破了Apriori的局限性，當(dāng)演變?yōu)镕P-Tree時(shí)，可以實(shí)現(xiàn)對海量壓縮數(shù)據(jù)的安全存儲(chǔ)和管理，不僅降低了計(jì)算時(shí)間成本，還有效地節(jié)約了數(shù)據(jù)存放內(nèi)存。在這之后，出現(xiàn)了多種類型的FPGrowth變形算法。例如：通過借助附加數(shù)列，可以最大限度地提高算法處理速度，同時(shí)，還能降低掃描次數(shù)，降低操作復(fù)雜度。隨后，又出現(xiàn)了一種新型、先進(jìn)的LP-Growth算法，該算法所存儲(chǔ)的信息數(shù)據(jù)主要以數(shù)組元素為主，具有較高的數(shù)據(jù)挖掘效率，為保證數(shù)據(jù)挖掘結(jié)果的精確性和可靠性產(chǎn)生積極的影響。由此可見，為了進(jìn)一步提高不確定數(shù)據(jù)庫處理效果，需要確保所提出的不確定頻繁模式挖掘算法能夠快速、科學(xué)地處理不確定數(shù)據(jù)，從而實(shí)現(xiàn)對多種不確定頻繁模式的挖掘和利用，為充分發(fā)揮和利用極小數(shù)據(jù)結(jié)構(gòu)的應(yīng)用優(yōu)勢，有效地滿足不確定數(shù)據(jù)庫處理需求打下堅(jiān)實(shí)的基礎(chǔ)。

2.2 不確定頻繁模式挖掘

當(dāng)出現(xiàn)不確定頻繁模式挖掘概念后，多種相關(guān)挖掘算法不斷涌現(xiàn)。與普通數(shù)據(jù)相比，不確定數(shù)據(jù)通常會(huì)附帶相應(yīng)的數(shù)據(jù)概率。Apriori作為首次出現(xiàn)的不確定頻繁模式挖掘算法，在具體的運(yùn)用中，主要借助了Apriori基礎(chǔ)方法，因此，其算法處理性能較低，難以遠(yuǎn)遠(yuǎn)超過Apriori算法。此外，Apriori不確定頻繁模式挖掘算法主要是在MBP算法的基礎(chǔ)上發(fā)展而來的，該算法通過綜合利用模糊統(tǒng)計(jì)技術(shù)，可以極大地提高運(yùn)算效率和效果。緊接著，出現(xiàn)了一種IMBP算法，該算法主要是在MBP算法的基礎(chǔ)上進(jìn)行改進(jìn)后形成的，與MBP算法相比，其運(yùn)算效率得以顯著提升，有效地降低了內(nèi)存消耗量。但是，該算法的精度較低，尤其是在處理高密度數(shù)據(jù)庫時(shí)，其算法精度越來越低，同時(shí)還表現(xiàn)出一定的不穩(wěn)定性?？傊?，IMBP和MBP兩種算法盡管都能實(shí)現(xiàn)對數(shù)據(jù)庫的多次掃描，并形成相應(yīng)的候選集，但是由于這兩種算法均使用的模糊技術(shù)，難以保證最終挖掘結(jié)果的精確性和全面性。

3 基于極小數(shù)據(jù)結(jié)構(gòu)的不確定頻繁模式挖掘

在極小數(shù)據(jù)結(jié)構(gòu)的應(yīng)用背景下，為了充分發(fā)揮和利用不確定頻繁模式的應(yīng)用優(yōu)勢，現(xiàn)提出一種新型、先進(jìn)的挖掘算法。為此，在充分介紹不確定頻繁模式問題描述相關(guān)內(nèi)容的基礎(chǔ)上，對不確定頻繁模式數(shù)據(jù)結(jié)構(gòu)進(jìn)行深入分析和研究，最后對挖掘算法進(jìn)行詳細(xì)化、全面化描述。

3.1 不確定頻繁模式問題描述

根據(jù)給定的D（不確定數(shù)據(jù)庫）和minSup（用戶最小支持度），對UFPs各個(gè)集合進(jìn)行挖掘處理，確保用戶從不確定數(shù)據(jù)庫中挖掘出多種算法模式[1]，從而起到支持minSup的作用。

3.2 不確定模式數(shù)據(jù)結(jié)構(gòu)

通過構(gòu)建相應(yīng)的新型數(shù)據(jù)結(jié)構(gòu)，可以確保挖掘算法的有效性和針對性。此外，不確定頻繁模式挖掘算法在具體的運(yùn)用中，需要借助CUFP-Tree型結(jié)構(gòu)，實(shí)現(xiàn)對多種不確定信息數(shù)據(jù)的獲取和處理[2]。在此基礎(chǔ)上，還要根據(jù)樹型序列路徑長度，對CUFP-Tree序列進(jìn)行增加處理，一旦處理操作不當(dāng)，挖掘算法會(huì)在最短時(shí)間內(nèi)停止工作。由此可見，通過利用本文所提出的不確定頻繁模式挖掘算法，可以有效地避免出現(xiàn)過長序列路徑問題[3]。

3.3 詳細(xì)的算法

在極小數(shù)據(jù)結(jié)構(gòu)的應(yīng)用背景下，為了更好地了解和把握不確定頻繁模式挖掘算法詳細(xì)內(nèi)容，現(xiàn)對算法第1次掃描流程和第2次掃描流程進(jìn)行全面介紹。第1次掃描算法流程圖見圖1，從圖1中可以看出，該算法在具體運(yùn)用中，首先要做好對指定數(shù)據(jù)庫的首次掃描工作，在此基礎(chǔ)上構(gòu)建數(shù)據(jù)結(jié)構(gòu)模型[4]。同時(shí)，為了進(jìn)一步提高數(shù)據(jù)庫掃描效率和效果，還能為數(shù)據(jù)庫內(nèi)各項(xiàng)數(shù)據(jù)設(shè)置相應(yīng)的expSup，然后篩選并去除小于minSup的值。此外，還要根據(jù)其他項(xiàng)目特點(diǎn)，構(gòu)建相應(yīng)的關(guān)鍵值降序序列，當(dāng)降序列長度遠(yuǎn)遠(yuǎn)超過給定值s時(shí)，需要?jiǎng)h除該序列[5]，并將最終處理結(jié)果存儲(chǔ)于棧底中，在此基礎(chǔ)上，為棧中其他序列進(jìn)行編號操作。

圖1 第1次掃描算法流程圖

第2次掃描算法流程圖見圖2，從圖2中可以看出，該算法在完成第1次掃描的基礎(chǔ)上，對給定數(shù)據(jù)庫進(jìn)行第2次掃描。然后，根據(jù)已構(gòu)建好的關(guān)鍵值完成對表序名的一一構(gòu)建，同時(shí)，對構(gòu)建好的表序名進(jìn)行再次掃描處理[6]。另外，對多對K-list進(jìn)行編碼處理，從而形成多種算法模式。最后，通過對各種數(shù)據(jù)結(jié)構(gòu)的全面檢查，對搜索時(shí)間進(jìn)行縮短處理，只有這樣才能最大限度地提高挖掘效率和效果。

圖2 第2次掃描算法流程圖

4 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)中所使用的Window10操作系統(tǒng)型號為Intel（R）Core（MT）i5-5200，CPU大小為2.31 GHz，內(nèi)存達(dá)到了4.0 GB。同時(shí)，通過利用基礎(chǔ)數(shù)據(jù)庫和合成數(shù)據(jù)庫，構(gòu)建相應(yīng)的多維圖譜，此外，還要借助不確定函數(shù)f（0，1），得到大量的不確定數(shù)據(jù)[7]。在此基礎(chǔ)上，從算法執(zhí)行時(shí)間、算法精度兩個(gè)方面入手，對以下8種挖掘算法進(jìn)行對比和分析，結(jié)果見表1。

表1 實(shí)驗(yàn)結(jié)果比較

從表1中的數(shù)據(jù)可以看出，通過利用IMBP挖掘算法，所消耗的時(shí)間最長，而執(zhí)行時(shí)間最短的是VBG挖掘算法。同時(shí)，IMBP挖掘算法精度最高[8]，而VBG挖掘算法精度次之。由此可見，根據(jù)以上實(shí)驗(yàn)對比結(jié)果，不難發(fā)現(xiàn)本文所提出的不確定頻繁模式挖掘算法具有處理時(shí)間短、算法精度高等優(yōu)點(diǎn)。

5 結(jié)語

綜上所述，在極小數(shù)據(jù)結(jié)構(gòu)的應(yīng)用背景下，提出一種新型、高效的不確定頻繁模式挖掘算法，該算法通過構(gòu)建不確定數(shù)據(jù)結(jié)構(gòu)模型，可以實(shí)現(xiàn)對不確定數(shù)據(jù)的科學(xué)分析和挖掘，并挖掘出有價(jià)值的信息數(shù)據(jù)，從而進(jìn)一步提高信息數(shù)據(jù)的利用率。同時(shí)，通過利用該算法，還能降低算法處理時(shí)間，提高挖掘精確度，完全符合不確定數(shù)據(jù)庫處理需求。因此，本文所提出的不確定頻繁模式挖掘算法具有非常高的應(yīng)用價(jià)值和應(yīng)用前景。