基于关联规则映射的生物信息网络多维数据挖掘算法
- 格式：pdf
- 大小：371.65 KB
- 文档页数：2
优先出版 计 算 机 应 用 研 究 第32卷
-------------------------------- 基金项目：广东省产学研项目(项目编号：2012B091100043) 作者信息：唐晓东(1968-)，男，湖南衡阳人，副教授，硕士，主要研究方向为电子商务，数据挖掘(elliptic@163.com)． 基于关联规则映射的生物信息网络多维数据挖掘算法 唐晓东 (华南师范大学 经济与管理学院，广州 510630) 摘 要：针对在生物信息网络中对复杂和大规模的数据集进行挖掘时所出现的算法挖掘精度低、运行速度慢、内存占用大等问题，提出一种基于关联规则映射的生物信息网络多维数据挖掘算法，该算法结合网络数据集之间的关联映射关系，从而确定网络数据集的关联规则，并引入挖掘因子和相对误差来提高算法的挖掘精度。根据多维子空间中数据集之间的关联程度来进行子空间区分以及子空间内数据集区分，从而实现对不同数据集的有效挖掘。在实验中，对不同数据集数量下的算法内存占用情况、算法挖掘精度，算法运行时间进行仿真，从实验结果可以看出基于关联规则映射的挖掘算法可以有效提高挖掘精度，在减少内存占用和提升计算速度上也具有一定优势。 关键词：数据挖掘；关联规则映射；生物信息网络；多维数据挖掘； 中图分类号：TP311.12 文献标志码：A Biological information network multidimensional data mining algorithm that based on association rules mapping TANG Xiao-dong (School of E-commerce, South China Normal University, Guangzhou 510630, China) Abstract: For the problem such as happen mining low accuracy of algorithm, low speed and large memory footprint when digging the complex and large-scale data sets in the biological information network, a biological information network multidimensional data mining algorithm that based on association rules mapping is proposed. The algorithm combines association mapping relationship between the network dataset to determine the association rules network dataset, and the introduction of mining factor and relative error to improve mining accuracy of the algorithm. According to the multi-dimensional subspace degree of association between the data sets to be distinguished and the subspace subspace datasets distinguish different data sets in order to achieve effective excavation. In the experiment, the memory usage of the algorithm when the number of different sets of data, the accuracy of mining algorithm, the algorithm running time simulation, as can be seen from the experimental results based on association rule mining algorithm can effectively improve the mining map accuracy, reducing the memory footprint and enhance the computing speed also has some advantages. Key Words: Data mining; association rule mapping; biological Western Information Network; multidimensional data mining 0 引言 数据挖掘是指在大量的数据当中通过搜索算法来寻找隐藏的数据信息，它是基于机器学习、人工智能、模式识别等技术，数据挖掘能在大量数据中寻找规律，寻找出数据集所含规律，并通过可视化形式 表现出来[1-2]。随着多媒体以及网络技术的不断发展，图像、音频、视频等多媒体数据在不断增多，要对这些数据进行有效管理和查询非常困难，而采用具有学习能力的数据挖掘技术，可以通过发掘大量数据信息所具有的潜在内容特征而进行多媒体数据的有效聚类，能够更好地对大量数据进行管理，方便对数据实行统计查询[3-4]。生物信息网络是指运用数学方法和图论、网络拓扑学等方法来研究生物信息系统的网络，它包括了生物科学、数学模型、计算机科学等技术，以网络的思维来研究生物系统各个组成部分的联系以及组织结构等[5-6]。 刘殷雷等人[7]提出一种不确定性数据流上频繁项集挖掘的有效算法，该算法通过一个有效的数据结构来对不确定性数据事务流的项集进行存储，并且在数据结构的基础上设计了一种挖掘算法SRUF-mine，通过深度遍历全局树来挖掘数据流。王伟平等人[8]提出一种有效的挖掘数据流近似频繁项算法，该算法通过一种确定的ε-近似方法来准确挖掘数据流中的频繁项，并利用概要数据来满足用户的查询，并且有效地减少算法的空间复杂性和平均处理时间，得到较小的频率误差。刘大有等人[9]提出一种基于环路紧密度的复杂网络社区挖掘算法，该算法通过环路紧密值来实现网络社区的有效聚类，使用广度优先遍历算法遍历全图，并取与各个核中最为紧密的的核作为归属， 文章预览已结束 获取全文请访问 http://www.arocmag.com/article/02-2015-06-016.html
