Extensive growth of data gives the

Extensive growth of data gives the motivation to find meaningful patterns among the huge data. Sequential pattern provides us interesting relationships between different items in sequential database. In the real world, there are several applications in which specific sequences are more important than other sequences. Traditional Sequential pattern approaches are suffering from two disadvantages: Firstly, all the items and sequences are treated uniformly. Second, conventional algorithms are generating large number of patterns for lower support. In addition, the unimportant patterns with low weights can be detected.

Results (Vietnamese) 1:

Mở rộng phát triển của dữ liệu cho các động lực để tìm các mô hình có ý nghĩa giữa các dữ liệu lớn. Tuần tự mô hình cung cấp chúng tôi thú vị mối quan hệ giữa các khoản mục khác nhau trong cơ sở dữ liệu tuần tự. Trong thế giới thực, có rất nhiều ứng dụng trong đó cụ thể trình tự là quan trọng hơn trình tự khác. Phương pháp tiếp cận truyền thống mẫu tuần tự đang đau khổ từ hai bất lợi: trước hết, tất cả các mục và các chuỗi được xử lý thống nhất. Thứ hai, thông thường thuật toán tạo ra số lượng lớn của các mô hình hỗ trợ thấp hơn. Ngoài ra, các mô hình không quan trọng với trọng lượng thấp có thể được phát hiện.

Results (Vietnamese) 2:

Tăng trưởng rộng lớn của dữ liệu cho các động cơ tìm mô hình có ý nghĩa giữa các dữ liệu khổng lồ. Mô hình tuần tự cung cấp cho chúng tôi những mối quan hệ thú vị giữa các hạng mục khác nhau trong cơ sở dữ liệu tuần tự. Trong thế giới thực, có một số ứng dụng trong đó trình tự cụ thể là quan trọng hơn so với các trình tự khác. Phương pháp tiếp cận mô hình tuần tự truyền thống đang bị hai nhược điểm: Thứ nhất, tất cả các mặt hàng và chuỗi được xử lý thống nhất. Thứ hai, các thuật toán thông thường được tạo ra số lượng lớn các mô hình hỗ trợ thấp hơn. Ngoài ra, các mô hình không quan trọng với trọng lượng thấp có thể được phát hiện.