頻繁模式增長（FP-growth）算法是挖掘頻繁項(xiàng)集的經(jīng)典算法,解決了挖掘頻繁項(xiàng)集時(shí)需多次掃描數(shù)據(jù)庫且產(chǎn)生大量候選項(xiàng)集的問題,但大多數(shù)基于FP-growth思想的算法在生成頻繁項(xiàng)集時(shí)存在過程復(fù)雜、占用空間多的問題。為此,提出一種基于前序完全構(gòu)造鏈表（PF-List）的頻繁項(xiàng)集挖掘算法（PFLFIM）。該算法使用PF-List表示項(xiàng)集,通過簡單比較和連接兩個(gè)PF-List挖掘頻繁項(xiàng)集,避免復(fù)雜的連接操作;使用包含索引、提前停止交集和父子等價(jià)策略對(duì)搜索空間進(jìn)行優(yōu)化,減少空間占用。通過實(shí)驗(yàn)驗(yàn)證,相比于FIN算法和negFIN算法,該算法在運(yùn)行時(shí)間和內(nèi)存占用方面具有更好的性能。將該算法應(yīng)用于高校人力資源管理系統(tǒng)中進(jìn)行關(guān)聯(lián)規(guī)則挖掘,尋找影響人才發(fā)展的因素,為高校人才引進(jìn)和選拔提供決策支持。 

【文章來源】：計(jì)算機(jī)應(yīng)用與軟件. 2019,36(09)北大核心

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引 言
1 相關(guān)概念
    1.1 基本概念
    1.2 PFC-tree
    1.3 PF-List的概念與性質(zhì)
2 基于PF-List的頻繁項(xiàng)集挖掘算法
    2.1 頻繁項(xiàng)集挖掘
        2.1.1 模式搜索樹
        2.1.2 優(yōu)化策略
    2.2 PFLFIM算法描述
3 實(shí)驗(yàn)結(jié)果與分析
4 PFLFIM算法在高校人才引進(jìn)中應(yīng)用
    4.1 數(shù)據(jù)處理
        (1) 數(shù)據(jù)清理。
        (2) 特征構(gòu)造。
        (3) 人才模型構(gòu)建。
        (4) 數(shù)據(jù)集成。
        (5) 數(shù)據(jù)轉(zhuǎn)換。
    4.2 關(guān)聯(lián)規(guī)則挖掘
    4.3 規(guī)則分析
5 結(jié) 語


【參考文獻(xiàn)】：
期刊論文
[1]基于Nodeset的最大頻繁項(xiàng)集挖掘算法[J]. 林晨,顧君忠.  計(jì)算機(jī)工程. 2016(12)
[2]關(guān)聯(lián)規(guī)則挖掘綜述[J]. 崔妍,包志強(qiáng).  計(jì)算機(jī)應(yīng)用研究. 2016(02)
[3]NB-MAFIA:基于N-List的最長頻繁項(xiàng)集挖掘算法[J]. 沈戈暉,劉沛東,鄧志鴻.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)



本文編號(hào)：3289030