In a streaming environment, however

In a streaming environment, however, a mining algorithm may take only a single pass over the data [8]. The aforementioned algorithms at best only guarantee an approximate result after one pass. Thus, the need for a new class of mining techniques arose.
Compared with other stream processing tasks, frequent pattern mining presents three computational challenges. First, there is generally an exponential number of patterns to consider. For example, if we are seeking subsequences, a sequence of length N contains 2N possible subsequences. The classic Apriori-style algorithm evaluates O(k2) candidate subpatterns in order to find one pattern of length k. However, ifdataarestreaminginquickly, thecomputationalcomplexityneedstobelinear or nearly so, in order to keep up with with newly arriving data.

Results (Vietnamese) 1:

Trong một môi trường trực tuyến, Tuy nhiên, một thuật toán khai thác có thể đi chỉ một pass duy nhất dữ liệu [8]. Các thuật toán nói trên tại tốt nhất chỉ đảm bảo một kết quả gần đúng sau khi một trong những vượt qua. Do đó, sự cần thiết cho một lớp mới của kỹ thuật khai thác mỏ đã phát sinh.So với dòng xử lý tác vụ, khai thác mô hình thường xuyên trình bày ba thách thức tính toán. Đầu tiên, thường là một số mũ của các mô hình để xem xét. Ví dụ, nếu chúng tôi đang tìm kiếm subsequences, một chuỗi các độ dài N chứa 2N có thể subsequences. Thuật toán Apriori-phong cách cổ điển đánh giá O(k2) ứng cử viên subpatterns để tìm một mô hình của chiều dài k. Tuy nhiên, ifdataarestreaminginquickly, thecomputationalcomplexityneedstobelinear hoặc gần như thế, để theo kịp với vừa được đến dữ liệu.

Results (Vietnamese) 2:

Trong một môi trường trực tuyến, tuy nhiên, một thuật toán khai thác mỏ có thể chỉ mất một pass duy nhất trong [8] dữ liệu. Các thuật toán nói trên lúc tốt nhất chỉ đảm bảo một kết quả gần đúng một đường chuyền sau. Do đó, nhu cầu về một lớp học mới của các kỹ thuật khai thác mỏ đã phát sinh.
So với nhiệm vụ xử lý dòng khác, thường xuyên khai thác mô hình trình bày ba thách thức tính toán. Đầu tiên, thường có một số mũ của các mẫu để xem xét. Ví dụ, nếu chúng ta đang tìm kiếm subsequences, một chuỗi có chiều dài N chứa 2N subsequences có thể. Các thuật toán Apriori-phong cách cổ điển đánh giá subpatterns O (k2) ứng cử viên để tìm ra một mô hình có độ dài k. Tuy nhiên, ifdataarestreaminginquickly, thecomputationalcomplexityneedstobelinear hoặc gần như thế, để theo kịp với với mới tới dữ liệu.