基于强化学习的大数据频繁项集挖掘算法

被引：9

作者：

郑英姿 ^{[1
]}

张福泉 ^{[2
]}

李立杰 ^{[2
]}

机构：

[1] 广东技术师范学院天河学院计算机科学与工程学院

[2] 北京理工大学计算机学院

来源：

计算机工程与设计 | 2019年 / 40卷 / 08期

关键词：

关联规则; 频繁项集挖掘; 大数据技术; 递归特性; 强化学习; 深度学习技术;

D O I：

10.16208/j.issn1000-7024.2019.08.028

中图分类号：

TP311.13 []; TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

针对当前大数据集频繁项集挖掘算法处理速度慢的问题,提出一种快速的大数据频繁项集挖掘算法。对多目标强化学习技术进行改进,使其适合频繁项集挖掘的应用场景;将频繁1-项集作为强化学习的初始化空间,解决随机初始化方案性能不稳定的问题;利用频繁项集的递归属性引导项集空间的搜索过程,合理地缩小搜索空间。基于不同规模的会话数据集进行仿真实验,结果表明,该算法对于不同规模的数据集均实现了较高的计算效率,获得了较高的挖掘准确率。

引用

页码：2270 / 2277

页数：8

共 6 条

[1]

高效的数据流完全频繁项集挖掘算法 [J].

茹蓓 ;

贺新征 .

计算机工程与设计, 2017, 38 (10) :2759-2766

[2]

一种改进型机器智能强化学习机制研究 [J].

廖坚 ;

邹德清 .

控制工程, 2017, 24 (09) :1908-1912

[3]

垂直数据格式挖掘频繁项集算法的改进 [J].

邢长征 ;

安维国 ;

王星 .

计算机工程与科学, 2017, 39 (07) :1365-1370

[4]

基于矩阵的不确定数据频繁项集快速挖掘算法 [J].

刘芝怡 ;

常睿 .

南京理工大学学报, 2015, 39 (04) :420-425

[5]

An ACO-based approach to mine high-utility itemsets.[J].Jimmy Ming-Tai Wu;Justin Zhan;Jerry Chun-Wei Lin.Knowledge-Based Systems.2017,

[6]

A multi-agent reinforcement learning approach to dynamic service composition.[J].Hongbing Wang;Xiaojun Wang;Xingguo Hu;Xingzhi Zhang;Mingzhu Gu.Information Sciences.2016,

← 1 →