การค้นหาเซตรายการที่ปรากฏบ่อยและสม่ำเสมอภายใต้การกำหนดค่าน้ำหนักความสำคัญของแต่ละรายการ

กิตติพา คลังวิสาร

dc.contributor.advisor	โกเมศ อัมพวัน
dc.contributor.author	กิตติพา คลังวิสาร
dc.contributor.other	มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.date.accessioned	2023-05-12T06:08:00Z
dc.date.available	2023-05-12T06:08:00Z
dc.date.issued	2561
dc.identifier.uri	https://buuir.buu.ac.th/xmlui/handle/1234567890/7817
dc.description	วิทยานิพนธ์ (วท.ม.)--มหาวิทยาลัยบูรพา, 2561
dc.description.abstract	การค้นหาเซตรายการ/รูปแบบที่ปรากฏบ่อยและสม่ำเสมอได้ถูกค้นคว้าและนำเสนออย่างแพร่หลายในการค้นหาเซตรายการที่มีความน่าสนใจจากฐานข้อมูล ซึ่งวิธีการดั้งเดิมสำหรับการค้นหาเซตรายการดังกล่าวจะพิจารณาถึงพฤติกรรม/รูปแบบในการปรากฏของข้อมูล โดยพิจารณาเพียงความถี่หรือจำนวนครั้งและความสม่ำเสมอในการปรากฏขึ้นของข้อมูล แต่อย่างไรก็ตามในการประยุกต์ใช้งานจริงนั้นข้อมูลหรือเซตรายการที่ต้องการค้นหาจากฐานข้อมูลสามารถมีความสำคัญหรือ ความน่าสนใจที่แตกต่างกันส่งผลให้วิธีการดั้งเดิมไม่สามารถตอบสนองต่อความต้องการดังกล่าวได้ ดังนั้นงานวิทยานิพนธ์นี้จึงได้มีการนำเสนอปัญหาและวิธีการสำหรับการค้นหาเซตรายการที่ปรากฏบ่อยและสม่ำเสมอภายใต้การกำหนดค่าน้ำหนักความสำคัญของแต่ละรายการ (WeightedFrequent-Regular Itemsets Miner, WFRIM) ซึ่งจะสามารถค้นหาเซตรายการที่ปรากฏบ่อยและสม่ำเสมอในฐานข้อมูลภายใต้เงื่อนไขที่เซตรายการมีความสำคัญหรือความน่าสนใจที่แตกต่างกัน โดยวิธีการ WFRIM ใช้โครงสร้างต้นไม้ที่เรียกว่า WFRI-tree ในการจัดเก็บข้อมูลและใช้เทคนิค WFRIMgrowth ในการค้นหาเซตรายการที่เป็นผลลัพธ์ในขนาดต่าง ๆ ต่อมาได้ทำการพัฒนาปรับปรุงขั้นตอน วิธีในการค้นหาเซตรายการที่นำเสนอให้มีประสิทธิภาพเพิ่มมากขึ้นที่เรียกว่า Weighted-FrequentRegular Itemset Miner using Inverval Word Segment structure (WFRIM-IWS) โดยใช้การจัดเก็บข้อมูลในรูปแบบไดนามิกบิตเวกเตอร์ (dynamic bit-vector) ที่เรียกว่า โครงสร้างแบ่งกลุ่มเวิร์ดเป็นช่วง (interval word segment, IWS) ซึ่งทั้งสองขั้นตอนวิธีได้มีการประยุกต์ใช้เทคนิคการคํานวณหาค่าน้ำหนักที่มากสุด (Global maximum weight) และค่าน้ำหนักที่มากสุดของเซตรายการที่พิจารณา (Local maximum weight) เพื่อทำการลดทอนปริภูมิสถานะและเวลาในการประมวลผล จากผลการทดลองในฐานข้อมูลสังเคราะห์และฐานข้อมูลจริงแสดงให้เห็นว่าทั้งสอง ขั้นตอนวิธีสามารถค้นหาเซตรายการ/รูปแบบที่ปรากฏบ่อยและสม่ำเสมอภายใต้การกำหนดค่าน้ำหนักความสำคัญของแต่ละรายการได้อย่างมีประสิทธิภาพ โดยขั้นตอนวิธี WFRIM-IWS สามารถประมวลผลได้รวดเร็วและใช้หน่วยความจําน้อยกว่าขั้นตอนวิธี WFRIM
dc.language.iso	th
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา
dc.rights	มหาวิทยาลัยบูรพา
dc.subject	วิทยาการคอมพิวเตอร์ -- คณิตศาสตร์
dc.subject	วิทยาการคอมพิวเตอร์
dc.subject	มหาวิทยาลัยบูรพา -- สาขาวิชาวิทยาการคอมพิวเตอร์
dc.subject	ทฤษฎีเซต
dc.subject	การค้นคืนสารสนเทศ
dc.title	การค้นหาเซตรายการที่ปรากฏบ่อยและสม่ำเสมอภายใต้การกำหนดค่าน้ำหนักความสำคัญของแต่ละรายการ
dc.title.alternative	Mining weighted-frequent-regulr itemsets from trnsctionl dtbse
dc.type	วิทยานิพนธ์/ Thesis
dc.description.abstractalternative	Frequent-regular itemsets/petterns mining has been explored and proposed to find interesting itemsets in a database based on their own occurrence behavior. Traditionally, an itemset can be identified as interesting by considering only frequency and regularity of an itemset occurred in the database. However, itemsets can have different degree of importance which traditional approach may affect the missing of important/interesting knowledge in real-world applications. In this thesis, we introduce approaches on mining weighted-frequent-regular itemsets (also called mining WFRIs). in which the first approach is called Weighted-Frequent-Regular Itemsets Miner (WFRIM) by using FP-tree like structure named WFRI-treeto maintaincandidate itemsets during mining process and using WFRIM-growthtechnique to mine WFRIs. To improve WFRIM, the second approach is proposed called Weighted-Frequent-Regular Itemset Miner using Interval Word Segment structure (WFRIM-IWS). The dynamic bit vector is utilized for maintaining occurrence information of each itemsetnamed interval word segments structure (IWS). The both approaches apply the concept of overestimated weightedfrequency and global/local maximum weights to early prune search spaceand reduce computational time. From experimental results on synthetic and real datasets, the both approaches can exhibit to discover weighted-frequent-regular itemsetsefficiently. In addition, WFRIM-IWS outperforms WFRIM in the terms of computational time and memory consumptio
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาการคอมพิวเตอร์
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.grantor	มหาวิทยาลัยบูรพา