#Paper Reading# CLOSET+

论文题目：CLOSET+: Searching for the Best Strategies for Mining Frequent Closed Itemsets
论文地址：http://hanj.cs.illinois.edu/pdf/kdd03_closet+.pdf

论文大体内容：
这是数据挖掘界的知名学者韩家炜教授的系列文章之一。作者提出了CLOSET+的算法进行frequent closed pattern mining（闭频繁项集挖掘），相比以前的FP-TREE[1][5]，CLOSET[4]，CHARM[3]等算法在运行时间以及占用内存方面能有不少的提升。

1、frequent closed pattern mining（FCP mining）主要目的是挖掘出经常一起出现的模式，比如通过人们逛超市的购物单，可以挖掘出“纸尿片”跟“啤酒”是人们比较多一起买的，所以挖掘出这些模式有利于超市做出相应的决策以提高销售额。衡量frequent pattern的标准可以看一个itemset的support（支持度）以及length（长度），因为A、B、C是frequent pattern，那么可以推出A、B也是frequent pattern，B、C也是frequent pattern，所以我们一般考虑的是frequent closed pattern，就是A、B、C（相同support最长的那个）。

2、CLOSET+算法是在FP-TREE[1]的基础上实现的，它采用的DFS+divide-and-conquer（分而治之），对数据分稀疏与密集两种情况分别采用不同的策略：密集数据根据f_list采用bottom_up（由下到上）+两层hash存储与过滤候选结果；稀疏数据根据f_list采用top_down（由上到下）+pseudo-projection（伪投影，实际使用了已经建好的FP-TREE），从而实现更好的剪枝（提高运行速度）以及更有效的候选集筛选（降低内存）。

3、Subset checking剪枝：
若当前的itemset不属于任一个已知的候选，那它一定是FCP。即当发现A、B的support为2且已知A、B、C的support>=2，那么A、B可以剪枝（不是FCP）。

4、两层hash（密集数据）：
建立一个two-level的hash树（类FP-TREE），每个结点包含id，support，深度，通过判断候选结果X，Y，若X，Y具有相同的support且X是Y的子集，那么X必定不是FCP。

5、pseudo-projection（稀疏数据）：
不建立新的树，直接使用之前建立好的global FP-TREE，通过它检查是否存在某个元素在每个itemset X前都有出现且不属于X，如果是就可以推出X不closed。

6、本文对比了CLOSET+与OP（opportunistic projection）[2]，CHARM[3]，CLOSET[4]三种算法的效果，发现在运行时间、内存及可扩展性方面都超过这三种算法。

7、思考：
这是一篇纯算法性的paper，跟我之前读的机器学习类paper完全不一样。机器学习paper主要看的是feature selection，结果看precision，recall，F1。而这篇paper由于结果必须要100%正确，所以看重的是运行时间以及运行内存，而涉及到树结构，相应的就是往怎样剪枝，怎样减少searching space的方向去考虑，所以正如Data mining课老师所说，“它上面的剪枝方法都很简单，很显而易见，但问题是我们怎么没能归纳出来呢”，所以要多思考，把可行解都列出来，或者画出来，然后进行归纳，最后就会发现结果是那么的简单，那么的显然，而这也正是算法之美。

参考资料：
[1]、http://hanj.cs.illinois.edu/pdf/dami04_fptree.pdf
[2]、http://hanj.cs.illinois.edu/pdf/kdd02jliu.pdf
[3]、http://www.cs.rpi.edu/tr/99-10.pdf
[4]、https://www.cs.sfu.ca/~jpei/publications/dmkd00.pdf
[5]、http://www.cnblogs.com/zhangchaoyang/articles/2198946.html


以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！