基于智能优化算法的高效用项集挖掘方法综述

doi:10.11772/j.issn.1001-9081.2022060865

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1676-1686.DOI: 10.11772/j.issn.1001-9081.2022060865

• CCF第37届中国计算机应用大会 (CCF NCCA 2022) • 上一篇下一篇

基于智能优化算法的高效用项集挖掘方法综述

高智慧, 韩萌(), 刘淑娟, 李昂, 穆栋梁

北方民族大学计算机科学与工程学院，银川 750021

收稿日期:2022-06-16 修回日期:2022-07-15 接受日期:2022-07-27 发布日期:2022-08-15 出版日期:2023-06-10
通讯作者: 韩萌
作者简介:高智慧（1996—），女，山东临沂人，硕士研究生，主要研究方向：大数据挖掘
韩萌（1982—），女，河南商丘人，教授，博士，CCF会员，主要研究方向：大数据挖掘Email：2003051@nmu.edu.cn
刘淑娟（1998—），女，河南新乡人，硕士研究生，主要研究方向：大数据挖掘
李昂（1999—），男，河南洛阳人，硕士研究生，主要研究方向：大数据挖掘
穆栋梁（1998—），男，山西大同人，硕士研究生，主要研究方向：大数据挖掘。
基金资助:
国家自然科学基金资助项目(62062004);宁夏自然科学基金资助项目(2020AAC03216)

Survey of high utility itemset mining methods based on intelligent optimization algorithm

Zhihui GAO, Meng HAN(), Shujuan LIU, Ang LI, Dongliang MU

School of Computer Science and Engineering，North Minzu University，Yinchuan Ningxia 750021，China

Received:2022-06-16 Revised:2022-07-15 Accepted:2022-07-27 Online:2022-08-15 Published:2023-06-10
Contact: Meng HAN
About author:GAO Zhihui， born in 1996， M. S. candidate. Her research interests include big data mining.
LIU Shujuan， born in 1998， M. S. candidate. Her research interests include big data mining.
LI Ang， born in 1999， M. S. candidate. His research interests include big data mining.
liang， born in 1998， M. S. candidate. His research interests include big data mining.
MU Dong
Supported by:
National Natural Science Foundation of China(62062004);Natural Science Foundation of Ningxia(2020AAC03216)

摘要/Abstract

摘要：

高效用项集挖掘（HUIM）能够挖掘事务数据库中具有重要意义的项集，从而帮助用户更好地进行决策。针对智能优化算法的应用能够显著提高海量数据中高效用项集的挖掘效率这一现状，对基于智能优化算法的HUIM方法进行了综述。首先，以智能优化算法的类别为角度，从基于群智能优化、基于进化以及基于其他智能优化算法的方法这3个方面对基于智能优化算法的HUIM方法进行了详细的分析与总结。同时，从粒子更新方式的角度对基于粒子群优化（PSO）的HUIM方法进行了详细梳理，包括基于传统更新策略、基于sigmoid函数、基于贪心、基于轮盘赌以及基于集合的方法。另外，从种群更新方法、对比算法、参数设置、优缺点等角度对比分析了基于群智能优化算法的HUIM方法。然后，从遗传和仿生两个方面对基于进化的HUIM方法进行总结概括。最后，针对目前基于智能优化算法的HUIM方法所存在的问题，提出了下一步的研究方向。

关键词: 高效用项集挖掘, 智能优化算法, 粒子群优化算法, 进化算法, 启发式算法

Abstract:

High Utility Itemsets Mining （HUIM） is able to mine the items with high significance from transaction database， thus helping users to make better decisions. In view of the fact that the application of intelligent optimization algorithms can significantly improve the mining efficiency of high utility itemsets in massive data， a survey of intelligent optimization algorithm-based HUIM methods was presented. Firstly， detailed analysis and summary of the intelligent optimization algorithm-based HUIM methods were performed from three aspects： swarm intelligence optimization-based， evolution-based and other intelligent optimization algorithms-based methods. Meanwhile， the Particle Swarm Optimization （PSO）-based HUIM methods were sorted out in detail from the aspect of particle update methods， including traditional update strategy-based， sigmoid function-based， greedy-based， roulette-based and ensemble-based methods. Additionally， the swarm intelligence optimization algorithm-based HUIM methods were compared and analyzed from the perspectives of population update methods， comparison algorithms， parameter settings， advantages and disadvantages， etc. Next， the evolution-based HUIM methods were summarized and outlined in terms of both genetic and bionic aspects. Finally， the next research directions were proposed for the problems of the existing intelligent optimization algorithm-based HUIM methods.

Key words: High Utility Itemsets Mining (HUIM), intelligent optimization algorithm, Particle Swarm Optimization (PSO) algorithm, Evolutionary Algorithm (EA), heuristic algorithm

中图分类号:

TP391.1

高智慧, 韩萌, 刘淑娟, 李昂, 穆栋梁. 基于智能优化算法的高效用项集挖掘方法综述[J]. 计算机应用, 2023, 43(6): 1676-1686.

Zhihui GAO, Meng HAN, Shujuan LIU, Ang LI, Dongliang MU. Survey of high utility itemset mining methods based on intelligent optimization algorithm[J]. Journal of Computer Applications, 2023, 43(6): 1676-1686.

图/表 10

参考文献 66

1	NOUIOUA M， FOURNIER-VIGER P， WU C W， et al. FHUQI-Miner： fast high utility quantitative itemset mining［J］. Applied Intelligence， 2021， 51（10）： 6785-6809. 10.1007/s10489-021-02204-w
2	AHMED U， SRIVASTAVA G， LIN J C W. A federated learning approach to frequent itemset mining in cyber-physical systems［J］. Journal of Network and Systems Management， 2021， 29（4）： No.42. 10.1007/s10922-021-09609-5
3	HIDOURI A， JABBOUR S， RADDAOUI B， et al. Mining closed high utility itemsets based on propositional satisfiability［J］. Data and Knowledge Engineering， 2021， 136： No.101927. 10.1016/j.datak.2021.101927
4	NOUIOUA M， FOURNIER-VIGER P， GAN W S， et al. TKQ： top-k quantitative high utility itemset mining［C］// Proceedings of the 2022 International Conference on Advanced Data Mining and Applications， LNCS 13088. Cham： Springer， 2022： 16-28.
5	SOHRABI M K. An efficient projection-based method for high utility itemset mining using a novel pruning approach on the utility matrix［J］. Knowledge and Information Systems， 2020， 62（11）： 4141-4167. 10.1007/s10115-020-01485-w
6	ZIDA S， FOURNIER-VIGER P， LIN J C W， et al. EFIM： a fast and memory efficient algorithm for high-utility itemset mining［J］. Knowledge and Information Systems， 2017， 51（2）： 595-625. 10.1007/s10115-016-0986-0
7	FOURNIER-VIGER P， WU C W， ZIDA S， et al. FHM： faster high-utility itemset mining using estimated utility co-occurrence pruning［C］// Proceedings of the 2014 International Symposium on Methodologies for Intelligent Systems， LNCS 8502. Cham： Springer， 2014： 83-92.
8	LIU M C， QU J F. Mining high utility itemsets without candidate generation［C］// Proceedings of the 21st ACM International Conference on Information and Knowledge Management. New York： ACM， 2012： 55-64. 10.1145/2396761.2396773
9	KRISHNAMOORTHY S. Pruning strategies for mining high utility itemsets［J］. Expert Systems with Applications， 2015， 42（5）： 2371-2381. 10.1016/j.eswa.2014.11.001
10	DAWAR S， GOYAL V， BERA D. A hybrid framework for mining high-utility itemsets in a sparse transaction database［J］. Applied Intelligence， 2017， 47（3）： 809-827. 10.1007/s10489-017-0932-1
11	LIU Y， LIAO W K， CHOUDHARY A. A two-phase algorithm for fast discovery of high utility itemsets［C］// Proceedings of the 2005 Pacific-Asia Conference on Knowledge Discovery and Data Mining， LNCS 3518. Berlin： Springer， 2005： 689-695.
12	TSENG V S， WU C W， FOURNIER-VIGER P， et al. Efficient algorithms for mining top-k high utility itemsets［J］. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（1）： 54-67. 10.1109/tkde.2015.2458860
13	NAWAZ M S， FOURNIER-VIGER P， YUN U， et al. Mining high utility itemsets with hill climbing and simulated annealing［J］. ACM Transactions on Management Information Systems， 2021， 13（1）： No.4. 10.1145/3462636
14	VENTURA S， LUNA J M. Pattern Mining with Evolutionary Algorithms ［M］. Cham： Springer， 2016： 63-69. 10.1007/978-3-319-33858-3_4
15	LUNA J M， PECHENIZKIY M， DEL JESUS M J， et al. Mining context-aware association rules using grammar-based genetic programming［J］. IEEE Transactions on Cybernetics， 2018， 48（11）： 3030-3044. 10.1109/tcyb.2017.2750919
16	YU X J， GEN M. Introduction to Evolutionary Algorithms， DECENGIN ［M］. London： Springer， 2010： 3-9. 10.1007/978-1-84996-129-5
17	KANNIMUTHU S， PREMALATHA K. Discovery of high utility itemsets using genetic algorithm with ranked mutation ［J］. Applied Artificial Intelligence， 2014， 28（4）： 337-359. 10.1080/08839514.2014.891839
18	LIN J C W， YANG L， FOURNIER-VIGER P， et al. A binary PSO approach to mine high-utility itemsets［J］. Soft Computing， 2017， 21（17）： 5103-5121. 10.1007/s00500-016-2106-1
19	LIN J C W， YANG L， FOURNIER-VIGER P， et al. A swarm-based approach to mine high-utility itemsets［C］// Proceedings of the 2015 International Conference on Multidisciplinary Social Networks Research， CCIS 540. Berlin： Springer， 2015： 572-581. 10.1007/978-3-662-48319-0_48
20	LIN J C W， YANG L， FOURNIER-VIGER P， et al. Mining high-utility itemsets based on particle swarm optimization［J］. Engineering Applications of Artificial Intelligence， 2016， 55： 320-330. 10.1016/j.engappai.2016.07.006
21	SONG W， HUANG C M. Discovering high utility itemsets based on the artificial bee colony algorithm［C］// Proceedings of the 2018 Pacific-Asia Conference on Knowledge Discovery and Data Mining， LNCS 10939. Cham： Springer， 2018： 3-14.
22	SONG W， LI J Y， HUANG C M. Artificial fish swarm algorithm for mining high utility itemsets［C］// Proceedings of the 2021 International Conference on Swarm Intelligence， LNCS 12690. Cham： Springer， 2021： 407-419.
23	SONG W， HUANG C M. Mining high average-utility itemsets based on particle swarm optimization［J］. Data Science and Pattern Recognition， 2020， 4（2）： 19-32.
24	LIN J C W， DJENOURI Y， SRIVASTAVA G， et al. A predictive GA-based model for closed high-utility itemset mining［J］. Applied Soft Computing， 2021， 108： No.107422. 10.1016/j.asoc.2021.107422
25	SONG W， ZHENG C L， HUANG C M， et al. Heuristically mining the top-k high-utility itemsets with cross-entropy optimization［J］. Applied Intelligence， 2022， 52（15）： 17026-17041. 10.1007/s10489-021-02576-z
26	LOGESWARAN K， ANDAL R K S， EZHILMATHI S T， et al. A survey on metaheuristic nature inspired computations used for mining of association rule， frequent itemset and high utility itemset［J］. IOP Conference Series： Materials Science and Engineering， 2021， 1055： No.012103. 10.1088/1757-899x/1055/1/012103
27	DJENOURI Y， FOURNIER-VIGER P， BELHADI A， et al. Metaheuristics for frequent and high-utility itemset mining［M］// FOURNIER-VIGER P， LIN J C W， NKAMBOU R， et al. High-Utility Pattern Mining： Theory， Algorithms and Applications， SBD 51. Cham： Springer， 2019： 261-278. 10.1007/978-3-030-04921-8_10
28	张妮，韩萌，王乐，等. 基于正负效用划分的高效用模式挖掘方法综述［J］. 计算机应用， 2022， 42（4）：999-1010.
	ZHANG N， HAN M， WANG L， et al. Survey of high utility pattern mining methods based on positive and negative utility division ［J］. Journal of Computer Applications， 2022， 42（4）： 999-1010.
29	单芝慧，韩萌，韩强. 动态数据上的高效用模式挖掘综述［J］. 计算机应用， 2022， 42（1）：94-108. 10.11772/j.issn.1001-9081.2021071290
	SHAN Z H， HAN M， HAN Q. Survey of high utility pattern mining on dynamic data［J］. Journal of Computer Applications， 2022， 42（1）： 94-108. 10.11772/j.issn.1001-9081.2021071290
30	KENNEDY J， EBERHART R. Particle swarm optimization［C］// Proceedings of the 1995 International Conference on Neural Networks. Piscataway： IEEE， 1995， 4： 1942-1948.
31	EBERHART R， KENNEDY J. A new optimizer using particle swarm theory ［C］// Proceedings of the 6th International Symposium on Micro Machine and Human Science. Piscataway： IEEE， 1995： 39-43. 10.1109/mhs.1995.494249
32	GHOSH S， BISWAS S， SARKAR D， et al. Mining frequent itemsets using genetic algorithm［J］. International Journal of Artificial Intelligence and Applications， 2010， 1（4）： 133-143. 10.5121/ijaia.2010.1411
33	PEARS R， KOH Y S. Weighted association rule mining using particle swarm optimization［C］// Proceedings of the 2011 Pacific-Asia Conference on Knowledge Discovery and Data Mining， LNCS 7104. Berlin： Springer， 2012： 327-338.
34	SIVAMATHI C， VIJAYARANI S. Mining high utility itemsets using Shuffled Complex Evolution of Particle Swarm Optimization （SCE-PSO） optimization algorithm［C］// Proceedings of the 2017 International Conference on Inventive Computing and Informatics. Piscataway： IEEE， 2017： 640-644. 10.1109/icici.2017.8365213
35	KENNEDY J， EBERHART R C. A discrete binary version of the particle swarm algorithm［C］// Proceedings of the 1997 IEEE International Conference on Systems， Man， and Cybernetics： Computational Cybernetics and Simulation- Volume 5. Piscataway： IEEE， 1997： 4104-4108. 10.1109/icsmc.1997.625706
36	GUNAWAN R， WINARKO E， PULUNGAN R. A BPSO-based method for high-utility itemset mining without minimum utility threshold［J］. Knowledge-Based Systems， 2020， 190： No.105164. 10.1016/j.knosys.2019.105164
37	靳晓乐，刘峡壁，马骁. 基于双重二元粒子群优化的高效用项集挖掘算法［J］. 计算机工程， 2018， 44（12）：202-207， 214.
	JIN X L， LIU X B， MA X. High-utility itemsets mining algorithm based on double binary particle swarm optimization［J］. Computer Engineering， 2018， 44（12）：202-207， 214.
38	SONG W， HUANG C M. Mining high utility itemsets using bio-inspired algorithms： a diverse optimal value framework［J］. IEEE Access， 2018， 6： 19568-19582. 10.1109/access.2018.2819162
39	TSENG V S， WU C W， SHIE B E， et al. UP-Growth： an efficient algorithm for high utility itemset mining［C］// Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2010： 253-262. 10.1145/1835804.1835839
40	王常武，尹松林，刘文远，等. HUIM-IPSO：一个改进的粒子群优化高效用项集挖掘算法［J］. 小型微型计算机系统， 2020， 41（5）：1084-1090. 10.3969/j.issn.1000-1220.2020.05.031
	WANG C W， YIN S L， LIU W Y， et al. High utility itemset mining algorithm based on improved particle swarm optimization［J］. Journal of Chinese Computer Systems， 2020， 41（5）： 1084-1090. 10.3969/j.issn.1000-1220.2020.05.031
41	CHEN W N， ZHANG J， CHUNG H S H， et al. A novel set-based particle swarm optimization method for discrete optimization problems［J］. IEEE Transactions on Evolutionary Computation， 2010， 14（2）： 278-300. 10.1109/tevc.2009.2030331
42	SONG W， LI J Y. Discovering high utility itemsets using set-based particle swarm optimization［C］// Proceedings of the 2020 International Conference on Advanced Data Mining and Applications， LNCS 12447. Cham： Springer， 2020： 38-53.
43	WU J M T， ZHAN J， LIN J C W. Mining of high-utility itemsets by ACO algorithm［C］// Proceedings of the 3rd Multidisciplinary International Social Networks Conference/ 7th ASE International Conference on Data Science/ 5th ASE International Conference on Social Informatics . New York： ACM， 2016： No.44. 10.1145/2955129.2955179
44	WU J M T， ZHAN J， LIN J C W. An ACO-based approach to mine high-utility itemsets［J］. Knowledge-Based Systems， 2017， 116： 102-113. 10.1016/j.knosys.2016.10.027
45	SEIDLOVA R， POŽIVIL J， SEIDL J. Marketing and business intelligence with help of ant colony algorithm［J］. Journal of Strategic Marketing， 2019， 27（5）： 451-463. 10.1080/0965254x.2018.1430058
46	ARUNKUMAR M S， SURESH P， GUNAVATHI C. High utility infrequent itemset mining using a customized ant colony algorithm ［J］. International Journal of Parallel Programming， 2020， 48（5）： 833-849. 10.1007/s10766-018-0621-7
47	PRAMANIK S， GOSWAMI A. Discovery of closed high utility itemsets using a fast nature-inspired ant colony algorithm［J］. Applied Intelligence， 2022， 52（8）： 8839-8855. 10.1007/s10489-021-02922-1
48	EMARY E， ZAWBAA H M， HASSANIEN A E. Binary grey wolf optimization approaches for feature selection［J］. Neurocomputing， 2016， 172： 371-381. 10.1016/j.neucom.2015.06.083
49	PAZHANIRAJA N， SOUNTHARRAJAN S， SATHIS KUMAR B. High utility itemset mining： a Boolean operators-based modified grey wolf optimization algorithm［J］. Soft Computing， 2020， 24（21）： 16691-16704. 10.1007/s00500-020-05123-z
50	孙蕊，韩萌，张春砚，等. 含负项top-k高效用项集挖掘算法［J］. 计算机应用， 2021， 41（8）：2386-2395.
	SUN R， HAN M， ZHANG C Y， et al. Algorithm for mining top-k high utility itemsets with negative items［J］. Journal of Computer Applications， 2021， 41（8）： 2386-2395.
51	张亚玲，王婷，王尚平. 增量式隐私保护频繁模式挖掘算法［J］. 计算机应用， 2018， 38（1）：176-181. 10.11772/j.issn.1001-9081.2017061617
	ZHANG Y L， WANG T， WANG S P. Incremental frequent pattern mining algorithm for privacy-preserving［J］. Journal of Computer Applications， 2018， 38（1）： 176-181. 10.11772/j.issn.1001-9081.2017061617
52	LIN J C W， GAN W S， FOURNIER-VIGER P， et al. High utility-itemset mining and privacy-preserving utility mining［J］. Perspectives in Science， 2016， 7： 74-80. 10.1016/j.pisc.2015.11.013
53	ZHANG Q， FANG W， SUN J， et al. Improved genetic algorithm for high-utility itemset mining［J］. IEEE Access， 2019， 7： 176799-176813. 10.1109/access.2019.2958150
54	PAZHANIRAJA N， SOUNTHARRAJAN S. High utility itemset mining using dolphin echolocation optimization［J］. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（8）： 8413-8426. 10.1007/s12652-020-02571-1
55	KRISHNA G J， RAVI V. Mining top high utility association rules using binary differential evolution［J］. Engineering Applications of Artificial Intelligence， 2020， 96： No.103935. 10.1016/j.engappai.2020.103935
56	KRISHNA G J， RAVI V. High utility itemset mining using binary differential evolution： an application to customer segmentation［J］. Expert Systems with Applications， 2021， 181： No.115122. 10.1016/j.eswa.2021.115122
57	CAI X Y， LI Y X， FAN Z， et al. An external archive guided multi-objective evolutionary algorithm based on decomposition for combinatorial optimization ［J］. IEEE Transactions on Evolutionary Computation， 2015， 19（4）： 508-523. 10.1109/tevc.2014.2350995
58	ZHANG Q F， LI H. MOEA/D： a multiobjective evolutionary algorithm based on decomposition［J］. IEEE Transactions on Evolutionary Computation， 2007， 11（6）： 712-731. 10.1109/tevc.2007.892759
59	DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182-197. 10.1109/4235.996017
60	ZITZLER E， LAUMANNS M， THIELE L. SPEA2： improving the strength Pareto evolutionary algorithm ［R/OL］（2001-05）［2022-03-23］..
61	ZHANG L， FU G L， CHENG F， et al. A multi-objective evolutionary approach for mining frequent and high utility itemsets［J］. Applied Soft Computing， 2018， 62： 974-986. 10.1016/j.asoc.2017.09.033
62	AHMED U， LIN J C W， SRIVASTAVA G， et al. An evolutionary model to mine high expected utility patterns from uncertain databases［J］. IEEE Transactions on Emerging Topics in Computational Intelligence， 2021， 5（1）： 19-28. 10.1109/tetci.2020.3000224
63	CAO H， YANG S S， WANG Q R， et al. A closed itemset property based multi-objective evolutionary approach for mining frequent and high utility itemsets［C］// Proceedings of the 2019 IEEE Congress on Evolutionary Computation. Piscataway： IEEE， 2019： 3356-3363. 10.1109/cec.2019.8789985
64	FANG W， ZHANG Q， SUN J， et al. Mining high quality patterns using multi-objective evolutionary algorithm［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（8）： 3883-3898. 10.1109/tkde.2020.3033519
65	韩萌，丁剑. 数据流频繁模式挖掘综述［J］. 计算机应用， 2019， 39（3）：719-727. 10.11772/j.issn.1001-9081.2018081712
	HAN M， DING J. Survey of frequent pattern mining over data streams［J］. Journal of Computer Applications， 2019， 39（3）： 719-727. 10.11772/j.issn.1001-9081.2018081712
66	肖文，胡娟. 基于数据集稀疏度的频繁项集挖掘算法性能分析［J］. 计算机应用， 2018， 38（4）：995-1000.
	XIAO W， HU J. Performance analysis of frequent itemset mining algorithms based on sparseness of dataset［J］. Journal of Computer Applications， 2018， 38（4）： 995-1000.

标识符	事务	各项对应的数量	事务效用
T₁	｛a，b，d｝	｛5，3，1｝	67
T₂	｛b，c，d，e｝	｛7，2，6，1｝	70
T₃	｛a，b，c，d，e｝	｛9，3，2，5，2｝	125
T₄	｛b，c｝	｛7，4｝	73
T₅	｛a，c，d｝	｛4，5，8｝	74

标识符	事务	各项对应的数量	事务效用
T₁	｛a，b，d｝	｛5，3，1｝	67
T₂	｛b，c，d，e｝	｛7，2，6，1｝	70
T₃	｛a，b，c，d，e｝	｛9，3，2，5，2｝	125
T₄	｛b，c｝	｛7，4｝	73
T₅	｛a，c，d｝	｛4，5，8｝	74

数据集	事务数	项目数	事务平均长度	密度/%	类型
chess	3 196	75	37.00	49.33	密集
connect	67 557	129	43.00	33.33	密集
mushrooms	8 416	119	23.00	19.33	密集
accidents	340 183	468	33.80	7.22	密集
retail	88 162	16 470	10.30	0.06	稀疏
foodmart	1 112 949	46 086	7.23	0.02	稀疏

数据集	事务数	项目数	事务平均长度	密度/%	类型
chess	3 196	75	37.00	49.33	密集
connect	67 557	129	43.00	33.33	密集
mushrooms	8 416	119	23.00	19.33	密集
accidents	340 183	468	33.80	7.22	密集
retail	88 162	16 470	10.30	0.06	稀疏
foodmart	1 112 949	46 086	7.23	0.02	稀疏

[1]	梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[2]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[3]	袁泉, 唐成亮, 徐雲鹏. 基于长度约束的蝙蝠高效用项集挖掘算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1473-1480.
[4]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[5]	马学森, 许雪梅, 蒋功辉, 乔焰, 周天保. 混合自适应粒子群工作流调度优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 474-483.
[6]	肖智豪, 胡志华, 朱琳. 求解冷链物流时间依赖型车辆路径问题的混合自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2926-2935.
[7]	陈揆能, 袁小芳. 多目标混合进化算法求解加工时间可控的开放车间调度问题[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2617-2627.
[8]	沈瑜, 李和成, 陈黎娟. 基于近似技术的双层规划进化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2511-2518.
[9]	张新明, 温少晨, 刘尚旺. 差分扰动的堆优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2519-2527.
[10]	盖荣丽, 高守传, 李明霞. 粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2177-2183.
[11]	聂青青, 万定生, 朱跃龙, 李致家, 姚成. 基于时域卷积网络的水文模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1756-1761.
[12]	杨杰, 张名扬, 芮晓彬, 王志晓. 融合节点覆盖范围和结构洞的影响力最大化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1155-1161.
[13]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民. 基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[14]	聂方鑫, 王宇嘉, 贾欣. 教与学信息交互粒子群优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 874-882.
[15]	张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 599-605.

基于智能优化算法的高效用项集挖掘方法综述

Survey of high utility itemset mining methods based on intelligent optimization algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 66

相关文章 15

编辑推荐

Metrics

项	外部效用	事务加权效用
a	9	266
b	7	262
c	6	342
d	3	336
e	1	195

项	外部效用	事务加权效用
a	9	266
b	7	262
c	6	342
d	3	336
e	1	195