Welche Muster stehen mir

Der erste in dieser Liste ist der GFP-Wachstumsalgorithmus, der FP-Growth mit “multiple Minimum Support Framework” erweitert, um die seltenen Itemsets zu bergen. Der Algorithmus speichert die Informationen zu den Itemsets in einer Strukturstruktur namens Minimum Item Supports (MIS)-Struktur. Der Algorithmus erwies sich als hochgradig skalierbar, auch wenn die Baumbauphase etwas teurer ist. Kiran und Reddy [75] erweiterten den GFP-Wachstumsalgorithmus in ihrem vorgeschlagenen Ansatz, Maximum Constraint based Conditional Frequent Pattern Growth (MCCFP). Die Autoren haben das maximale Einschränkungsmodell übernommen, um den Elementen einzelne MIS-Werte (Minimum Item Support) zuzuweisen. Der Algorithmus erwies sich als wenig teuer als CFP-Growth-Algorithmus aufgrund eines zusätzlichen Schritts des Artikelbeschnitts. Der von Elgaml et al. [36] vorgeschlagene Algorithmus für maximale Mindestunterstützung mithilfe von MAXIMALEN Einschränkungen (Maximum Constraints) verwendete auch das maximale Einschränkungsmodell. Der Algorithmus generiert die MIS-Strukturen nur für die Itemsets, die den vordefinierten MIS-Wert erfüllen. Der Algorithmus ist schneller als die vorherigen Ansätze, generiert jedoch nicht den vollständigen Satz seltener Elemente. Verdächtiges Verhalten in Webanwendungen erkennen Verdächtige Aktivitäten können auftreten, die für sichere Weboperationen identifiziert werden müssen.

Die Identifizierung seltener Muster, die betrügerischen Aktivitäten entsprechen, könnte die Sicherheit von Webanwendungen unterstützen. Mit einem solchen Begriff entwickelten Adda et al. [3] ein System zur Erkennung und Analyse verdächtiger Webanwendungen. Bedeutende seltene Muster-Mining-Techniken, die solche Anwendungen umfassen, sind sehr erwünscht. Zhu J, Wang K, Wu Y, Hu Z, Wang H (2016) Mining benutzerbewusst seltene sequenzielle Themenmuster in Dokument-Streams. IEEE Trans Knowl Data Eng 28(7):1790–1804 Huang KY, Chang CH (2005) Smca: ein allgemeines Modell für das Mining asynchroner periodischer Muster in zeitlichen Datenbanken. IEEE Trans Knowl Data Eng 17(6):774–785 Der erste Versuch zum seltenen Assoziationsregel-Mining wurde von Liu et al. [96] in ihrem Algorithmus MS-Apriori unternommen, der eine Apriori-ähnliche Strategie verwendet, um einige seltene Elemente während der Itemset-Generierung zu integrieren. Die Autoren argumentierten, dass ein einziger Support-Schwellenwert nicht verwendet werden kann, um die seltenen Muster effektiv zu extrahieren, und schlugen schließlich ein “multiple support framework” für dasselbe vor. Das Framework weist jedem Element seine individuellen Supportwerte zu, anstatt sich auf einen einzigen zu verlassen.

Der Algorithmus ist effizient bei der Suche nach seltenen Mustern, aber er verwendet einen zusätzlichen Parameter , der die Rechenkomplexität des Algorithmus erhöht. Kiran et al. [74] in ihrem Algorithmus IMS-Apriori verbesserten den anfänglichen MS-Apriori-Algorithmus, indem sie einen weiteren Parameter der Unterstützungsdifferenz einfließen lassen. Obwohl es gelungen ist, mehr seltene Elemente zu generieren, erhöht es die Last der Zuweisung von zwei zusätzlichen Parametern: ,,,beta”) und Unterstützungsunterschied.