1. 毕业设计（论文）主要目标：
从海量的数据中提取出有趣的模式是数据挖掘领域的核心任务，序列模式挖掘是数据挖掘一个重要研究内容，近年来在很多领域得到广泛运用。传统的模式挖掘通常将频度作为模式是否有趣的标准，如果一个模式在数据库中频繁地出现，那么该模式被认为是有趣的。但由于许多模式的频度在真实数据中可以简单解释为偶然性，频度并不能作为兴趣度量好的代表。当处理序列数据库时，由于序列中项集的可重复性，这个问题变得更为突出。针对这个问题，文本拟研究一种可以有效识别序列数据库中k个最有趣序列模式的算法，利用leverage作为序列模式兴趣度度量方法，度量序列模式的兴趣度；同时对分支定界OPUS算法进行序列扩展，遍历所有可能的候选序列，采用有效的剪枝策略提高算法执行效率，提取top-k最有趣序列模式。最后，通过实验，验证本文算法的有效性。
2. 毕业设计（论文）主要内容：
(1) 全面了解序列模式挖掘相关算法，了解序列模式挖掘算法的应用。
(2) 重点研究基于leverage的兴趣度度量方法，基于OPUS的序列模式挖掘方法。
(3)将leverage兴趣度度量与OPUS序列模式挖掘算法相结合，形成一种top-k有趣序列模式。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 主要参考文献
【1】GEOFFREYI. WEBB，JILLES VREEKEN ：EfcientDiscovery of the Most Interesting Associations.
【2】宋世杰, 胡华平, 周嘉伟,等. 一种基于大项集重用的序列模式挖掘算法[J]. 计算机研究与发展, 2006, 43(1):68-74.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
