Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Сұлбалық модельді өндіру - бұл деректер жинауының тақырыбы, ол деректер мысалдары арасында статистикалық маңызды модельдерді табуға арналған, онда мәндер бір реттілікпен беріледі. Әдетте мәндер дискретті деп есептеледі, сондықтан уақыт сериясы кен қазу тығыз байланысты, бірақ әдетте басқа қызмет ретінде қарастырылады. Сүрлеулі модельді қазбалау - құрылымдалған деректерді қазбалаудың ерекше жағдайы. Бұл салада бірнеше негізгі дәстүрлі есептеу проблемалары қарастырылған. Бұған тізбекті ақпарат үшін тиімді деректер базалары мен индекстер құру, жиі кездесетін үлгілерді алу, ұқсастық үшін тізбектерді салыстыру және жоғалған тізбек мүшелерін қалпына келтіру кіреді. Жалпы, тізбекті тау-кен мәселелерін, әдетте, тізбекті өңдеу алгоритмдеріне негізделген және әдетте ассоциация ережесін үйренуге негізделген элементтер жиынтығын тау-кен деп жіктеуге болады. Жергілікті процесс модельдері реттілік үлгілерін өндіруді реттілік ретімен тапсыру конструкциясынан басқа (тек) таңдауларды, циклдерді және бір мезгілделік конструкцияларды қамтитын күрделі үлгілерге дейін кеңейтеді.
Sequential pattern mining is a topic of data mining concerned with finding statistically relevant patterns between data examples where the values are delivered in a sequence. It is usually presumed that the values are discrete, and thus time series mining is closely related, but usually considered a different activity. Sequential pattern mining is a special case of structured data mining. There are several key traditional computational problems addressed within this field. These include building efficient databases and indexes for sequence information, extracting the frequently occurring patterns, comparing sequences for similarity, and recovering missing sequence members. In general, sequence mining problems can be classified as string mining which is typically based on string processing algorithms and itemset mining which is typically based on association rule learning. Local process models extend sequential pattern mining to more complex patterns that can include (exclusive) choices, loops, and concurrency constructs in addition to the sequential ordering construct.
Тауар топтамасын өндіру
Кейбір жүйелі тау-кен мәселелері жиі кездесетін элементтер жиынтығын және олардың пайда болу тәртібін табуға мүмкіндік береді, мысалы, "егер {кардар автомобиль сатып алса}, ол 1 апта ішінде {сақтандыру сатып алуы} мүмкін" немесе акция бағалары жағдайында "егер {Nokia жоғары және Ericsson жоғары}, {Motorola жоғары және Samsung} 2 күн ішінде болуы мүмкін" деген қағидаларды іздеу. Әдетте, элементтер жиынтығын өндіру үлкен транзакцияларда жиі кездесетін элементтер арасындағы жүйелілікті ашу үшін маркетингтік қосымшаларда қолданылады. Мысалы, супермаркеттегі сатып алушылар себеттерінің транзакцияларын талдау арқылы "егер клиент пияз мен картопты бірге сатып алса, ол сол транзакцияда гамбургер етін де сатып алуы мүмкін" деген ереже шығарады. Нысандар жиынтығын өндірудің негізгі алгоритмдерінің шолу және таксономиясын Хан және басқалар ұсынады. (2007 ж.) Жиі элементтер жиынтығын өндіру үшін тізбекті деректер қорына қолданылатын екі жалпы әдіс - ықпалды apriori алгоритмі және жақында FP өсу әдісі.
Some problems in sequence mining lend themselves to discovering frequent itemsets and the order they appear, for example, one is seeking rules of the form "if a {customer buys a car}, he or she is likely to {buy insurance} within 1 week", or in the context of stock prices, "if {Nokia up and Ericsson up}, it is likely that {Motorola up and Samsung up} within 2 days". Traditionally, itemset mining is used in marketing applications for discovering regularities between frequently co occurring items in large transactions. For example, by analysing transactions of customer shopping baskets in a supermarket, one can produce a rule which reads "if a customer buys onions and potatoes together, he or she is likely to also buy hamburger meat in the same transaction". A survey and taxonomy of the key algorithms for item set mining is presented by Han et al. (2007). The two common techniques that are applied to sequence databases for frequent itemset mining are the influential apriori algorithm and the more recent FP growth technique.
Қолданбалар
Өнімдер мен пайдаланушылардың сатып алу мінез-құлқының үлкен әртүрлілігімен, өнімдер көрсетілетін сөрелер бөлшек сауда ортасындағы ең маңызды ресурстардың бірі болып табылады. Бөлшек саудашылар тек қана пайданы арттырып қана қоймай, сонымен қатар сөрелердегі орынды дұрыс басқару және өнімдерді көрсету арқылы шығындарды азайта алады. Бұл мәселені шешу үшін George and Binu (2013) PrefixSpan алгоритмін қолдана отырып, пайдаланушылардың сатып алу үлгілерін табудың және өнімдерді сөрелерге сатып алу үлгілерінің ретіне негізделген орналастыратын әдісті ұсынды.
With a great variation of products and user buying behaviors, shelf on which products are being displayed is one of the most important resources in retail environment. Retailers can not only increase their profit but, also decrease cost by proper management of shelf space allocation and products display. To solve this problem, George and Binu (2013) have proposed an approach to mine user buying patterns using PrefixSpan algorithm and place the products on shelves based on the order of mined purchasing patterns.