博碩士論文 89423034 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:34 、訪客IP:3.12.36.45
姓名 江美靜(Mei-Ching Chiang)  查詢紙本館藏   畢業系所 資訊管理學系
論文名稱 有時間區間的循序挖掘
相關論文
★ 零售業商業智慧之探討★ 有線電話通話異常偵測系統之建置
★ 資料探勘技術運用於在學成績與學測成果分析 -以高職餐飲管理科為例★ 利用資料採礦技術提昇財富管理效益 -以個案銀行為主
★ 晶圓製造良率模式之評比與分析-以國內某DRAM廠為例★ 商業智慧分析運用於學生成績之研究
★ 運用資料探勘技術建構國小高年級學生學業成就之預測模式★ 應用資料探勘技術建立機車貸款風險評估模式之研究-以A公司為例
★ 績效指標評估研究應用於提升研發設計品質保證★ 基於文字履歷及人格特質應用機械學習改善錄用品質
★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題★ 關聯式資料庫之廣義知識探勘
★ 考量屬性值取得延遲的決策樹建構★ 從序列資料中找尋偏好圖的方法 - 應用於群體排名問題
★ 利用分割式分群演算法找共識群解群體決策問題★ 以新奇的方法有序共識群應用於群體決策問題
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   [檢視]  [下載]
  1. 本電子論文使用權限為同意立即開放。
  2. 已達開放權限電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。
  3. 請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。

摘要(中) 以往一般的循序挖掘研究中所探討的循序樣式,只能得知樣式中項目之間的前後順序關係,但無法讓我們知道項目之間的發生是間隔多久的時間,例如”有70%的機會,顧客於某商店購買印表機後,他會再來購買掃描器,之後則會再來購買燒錄器”的循序樣式,我們能從中得到印表機、掃描器、燒錄器的購買順序之資訊,但是我們無法得知購買印表機、掃描器、燒錄器之間的間隔時間為多久,因此本文提出包含時間區間的循序挖掘之研究,以探勘出擁有更多資訊的時間區間循序樣式,例如”有70%的機會,顧客於某商店購買印表機後,在經過6個月後,他會再來購買掃描器,之後,再經過3個月,則會再來購買燒錄器”的時間區間循序樣式。以零售業為例,業主可以利用所挖掘出的時間區間循序樣式,以瞭解顧客的習慣、喜好和需求,並且預測出顧客在未來某段時間內的期望,達到在適當的時機內,向適當的顧客,提供適當的產品和服務,滿足顧客的所需與所求之目的。故時間區間循序樣式可為企業帶來競爭優勢或替個人帶來利益。
本研究的目的是要挖掘出在序列資料庫中的時間區間循序樣式,一方面我們對此時間區間循序挖掘問題作出相關的定義,另一方面,我們發展出兩種演算法 — I-Apriori和I-PrefixSpan以進行挖掘。最後的實驗分析中,我們將演算法實作成系統,以驗證方法的可行性,並測試此兩演算法的效能與scale-up的特性。從實驗結果中得知,I-PrefixSpan的效能和scale-up的能力皆勝過I-Apriori,為一個較佳的時間區間循序挖掘的演算法。
關鍵字(中) ★ 資料挖掘
★ 循序樣式
關鍵字(英) ★ data mining
★ sequential pattern
論文目次 1. 緒論 1
2. 相關研究與相關應用 3
2.1. 相關研究 3
2.2. 相關應用 5
3. 問題定義與說明 8
4. 演算法 11
4.1. I-APRIORI演算法 11
4.1.1. 產生候選的時間區間序列 12
4.1.2. 計算候選的時間區間序列 17
4.2. I-PREFIXSPAN演算法 20
5. 效能 25
5.1. 模擬資料的產生 25
5.2. 效能 26
5.3. SCALE-UP 29
6. 結論 31
參考文獻 32
參考文獻 [AAP00] R.C. Agarwall, C. Aggarwal and V.V.V. Prasad. A tree projection algorithm for generation of frequent itemsets. Journal of Parallel and Distributed Computing, 2000.
[AS94] R. Agrawal and R. Srikant. Fast algorithms for mining association rules. In Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), pages 487-499, Santiago, Chile, Sept. 1994.
[AS95] R. Agrawal and R. Srikant. Mining sequential patterns. In Proc. 1995 Int. Conf. Data Engineering (ICDE’95), pages 3-14, Taipei, Taiwan, Mar. 1995.
[Car97] P. Carbone. Data Mining or Knowledge Discovery in Databases: An Overview. Data Management Handbook, New York: Auerbach Publications, 1997.
[CHY96] M.S. Chen, J. Han, and P.S. Yu. Data Mining: An Overview from a Database Perspective. IEEE Transactions on Knowledge and Data Engineering, 8(6): 866-883, 1996.
[CMS99] R. Cooley, B. Mobasher, and J. Srivastava. Data Preparation for Mining World Wide Web Browsing Patterns. Journal of Knowledge and Information Systems, 1(1):5-32, 1999.
[FPM91] W. J. Frawley, G. Piatetsky-Shapiro and C. J. Matheus. Knowledge Discovery in Databases:An Overview, AAAI/MIT press, 1991.
[GGK01] V. Guralnik, N. Garg and G. Karypis. Parallel Tree Projection Algorithm for Sequence Mining, 7th International European Conference on Parallel Processing (Euro-Par 2001), Pages 310-320, Manchester, UK, Aug. 2001.
[Han01] Jiawei Han. Data Mining:Concepts and Techniques. Academic Press, 2001.
[HDY99] J. Han, G. Dong, and Y. Yin. . In Proc. 1999 Int. Conf. on Data Engineering (ICDE’’99), Pages 106-115, Sydney, Australia, March 1999.
[HGY98] J. Han, W. Gong, and Y. Yin. Mining Segment-Wise Periodic Patterns in Time-Related Databases. In Proc. of 1998 Int. Conf. on Knowledge Discovery and Data Mining (KDD’’98), Pages 214-218, New York City, NY, Aug. 1998.
[HPMA+00] J. Han, J. Pei, B. Mortazavi-Asl, Q. Chen, U. Dayal, and M.-C. Hsu. FreeSpan: Frequent Pattern-Projected Sequential Pattern Mining. In Proc. 2000 Int. Conf. on Knowledge Discovery and Data Mining (KDD’00), Pages 355-359, Boston, MA, Aug 2000.
[MH01] Sheng Ma and J. L. Hellerstein. Mining partially periodic event patterns with unknown periods. In Proc. 17th Int. Conf. Data Engineering (ICDE’’01), Pages 205-214, Heidelberg, Germany, April 2001.
[MTIV95] H. Mannila, H. Toivonen, and A. Inkeri Verkamo. Discovery of frequent episodes in event sequences. Data Mining and Knowledge Discovery, 1(3): 259 -289, November 1997.
[PHMAZ00] J. Pei, J. Han, B. Mortazavi-Asl, and H. Zhu. Mining Access Patterns Efficiently from Web Logs. In Proc. 2000 Pacific-Asia Conf. on Knowledge Discovery and Data Mining (PAKDD’’00), Pages 396-407, Kyoto, Japan, April 2000.
[PHPC+01] J. Pei, J. Han, H. Pinto, Q. Chen, U. Dayal, and M.-C. Hsu. Prefix Span: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth. In Proc. 2001 Int. Conf. on Data Engineering (ICDE’’01), Heidelberg, Germany, Apr. 2001.
[SA96] R. Srikant, R. Agrawal. Mining Sequential Patterns: Generalizations and Performance Improvements. In Proc. of the Fifth Int’’l Conference on Extending Database Technology (EDBT’96), Avignon, France, Mar. 1996.
[WPC01] P.-H. Wu, W.-C. Peng and M.-S. Chen. Mining Sequential Alarm Patterns in a Telecommunication Database. Workshop on Databases in Telecommunications (VLDB 2001), Sept. 2001.
[Zak01] M. J. Zaki. SPADE:An Efficient Algorithm for Mining Frequent Sequences. In Proc. of Machine Learning Journal, special issue on Unsupervised Learning (Doug Fisher, ed.), 42(1/2):31-60, Jan/Feb 2001.
指導教授 陳彥良(Yen-Liang Chen) 審核日期 2002-6-25
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明