چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008075 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
178 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
کاوش مجموعه اقلام پرتکرار برای کلان داده
عنوان انگليسي
Frequent Itemset Mining for Big Data
نویسنده/ناشر/نام مجله
International Conference on Green Computing and Internet of Things
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 4 صفحه انگلیسی به صورت پی دی اف و 14 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
کاوش مجموعه اقلام پرتکرار، تکنیکی است که بیشتر در زمینه‌ی داده کاوی مانند امور مالی و سیستم مراقبت سلامت استفاده می‌شود. تمرکز ما بر روی روش‌شناسی‌های استخراج دانش مفید از روی داده‌های مفروض با استفاده از کاوش مجموعه اقلام پرتکرار است. مهم‌ترین کاربرد FIM، تقسیم‌بندی مشتریان در بازاریابی، تحلیل سبد خرید، مدیریت ارتباط، کاوش کاربرد وب، ردیابی بازیکن و مانند آن است. قانون وابستگی برای پیدا کردن گروه‌های پرتکرار اقلام داده‌ی موجود در سبد خرید است. در این مقاله، کاربرد تکنیک‌های FIM را بر روی پلتفرم نگاشت – کاهش بررسی می‌کنیم. در FIM، از دو الگوریتم موازی یعنی Dist-eclat و Big-FIM استفاده می‌نماییم. که الگوریتم Dist-eclat عمدتا بر روی هدف سرعت کار می‌کند در حالی که الگوریتم‌های Big-FIM بیشتر بر روی بهینه‌سازی کلان داده کار می‌نمایند. پس برای کاوش تعداد زیادی از مجموعه داده‌ها، دو روش جدید معرفی می‌شوند: ابتدا، Dist-eclat بر روی سرعت تمرکز می‌کند و دوم، Big-FIM بر روی مجموعه داده‌های واقعا بزرگ برای بهینه‌سازی اجرا می‌شود. ما در مقاله‌ی خود مقیاس‌پذیری روش‌هایمان را نشان می‌دهیم. با استفاده از این روش‌ها و با در نظر گرفتن تحلیل رفتار مشتری از خرید کالا، کالای انتخابی مشتری به ما پیشنهاد می‌شود، پس مزایای کار خرده فروشی در سطح بالا حداکثر می‌گردد.
1-مقدمه
فرض کنید مینی‌مارکت X می‌خواهد عادت‌های خرید مشتریان را تحلیل کند تا بتواند روابط و هم‌بستگی‌های بین اقلام موجود در سبد خرید آنها را پیدا کند. به ویژه هدف این تحلیل سبد خرید، مشخص کردن آن است که مشتریان کدام اقلام را به طور مکرر با هم خرید می‌کنند. اپلیکیشن داده‌کاوی چندبعدی طراحی شده به این شیوه را انجام می‌دهد که در آن هر متغیر در یک بعد ویژه بازنمایی می شود....
کاوش اقلام پرتکرار داده‌کاوی الگوریتم Dist-eclat
:کلمات کلیدی
Abstract
Frequent itemset mining is the technique used mostly in field of data mining like finance, health care system. We are focusing on methodologies for extracting the useful knowledge from given data by using frequent itemset mining. Most important use of FIM is customer segmentation in marketing, shopping cart analyzes, management relationship, web usage mining, and player tracking and so on. Association rule is for finding the frequently occuring group of item in shopping cart. In this paper, we are investigating FIM techniques applicability on the Map Reduce platform. In FIM, we are using two parallel algorithms, Dist-eclat and Big-FIM algorithms. Where, Dist-eclat algorithm is mainly work on speed purpose while Big-FIM algorithms mainly focuses on optimization on big-data. . So for mining large amount of datasets, two new methods are introduced: First, Dist-Eclat focuses on speed while second Big-FIM is running on really huge datasets for optimization. In our paper we are showing the scalability of our methods. Using these methods, considering customer behavioral analysis of buying product, we are giving suggestion with the customer choosen product, so the retailer business benefits is maximized at high level.
Keywords:
Frequent itemset mining data mining Dist-eclat algorithm
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه داده کاوی