增量数据挖掘论文推荐

论文背景介绍

1. 在基于Fp-tree的关联数据挖掘算法出现之前，人们对于增量数据挖掘已经做出了探索，但这些算法均是基于Apriori算法，所以很难应用于基于Fp-tree的增量数据挖掘。
2. 本文引入了一个高效的增量数据挖掘算法，Cantree，通过实验对比已有的基于Fp-tree的增量数据挖掘算法FELINE和AFPIM，评价出各个算法的优劣以及它们的适用范围。

Fp-tree的改进算法

1. FELINE：该算法在存储上对Fp-tree进行了压缩，它的构造过程较为费时，适用于interactive mining，即“build once,mine many”.对于min_support_count经常变换的情况较为适合。
2. AFPIM：该算法适用于增量数据挖掘，因为数据库修改后，每个itemsets的support_count会改变，通过计算改变后数据库中1-itemset的support_count，并做一次重新排序。对排序后的结果通过冒泡排序的方法对原来的Fp-tree做一次更新维护。他的缺点是对于新的满足min_support_count的itemset没有更新进来，所以当加入足够多的transaction后，需要重新构建新的Fp-tre