导读:本文包含了频繁模式矩阵论文开题报告文献综述及选题提纲参考文献，主要关键词:特征提取,情感分析,双聚类,频繁短语特征
频繁模式矩阵论文文献综述
陈鑫,薛云,卢昕,李万理,赵洪雅[1]（2018）在《基于保序子矩阵和频繁序列模式挖掘的文本情感特征提取方法》一文中研究指出特征提取是进行文本情感分析的关键步骤之一,是影响其结果好坏的主要因素。针对网络评论语句中表达形式多变的特点,结合语义相似度计算得到近义词TF-IDF(term frequency—inverse document frequency)权重向量;根据评论语句长短不一的特点,基于OPSM(order-preserving submatrix)双聚类算法挖掘出权重向量中的局部模式;使用改进的Prefix Span算法挖掘分类频繁短语特征,这类特征能有效利用词语的顺序信息,同时也通过词语间隔等限制来提升频繁短语区分情感倾向的能力。最后将该方法用于处理商品评论语料,并进行情感分析任务实验,结果表明所提取的文本特征效果有较大的提升。(本文来源于《山东大学学报(理学版)》期刊2018年03期）
任永功,李雪兰[2]（2012）在《基于矩阵的数据流频繁模式预测算法》一文中研究指出随着数据挖掘的广泛应用,许多实际的数据挖掘应用需要用过去和当前数据对未来数据状态进行预测,针对这一现状,文中提出基于矩阵的数据流频繁模式预测算法(MFP).MFP算法可预测在下一时间窗口中可能性较大的频繁项集,以满足用户需要.该算法首先将数据转换为0-1矩阵;然后通过矩阵剪裁和位运算更新矩阵,并从中挖掘频繁项集;最后,利用当前窗口数据预测下一时间窗口中可能出现的频繁项集.实验结果表明,MFP算法在不同实验环境下能有效预测频繁项集,该算法是可行的.(本文来源于《微电子学与计算机》期刊2012年10期）
王文正,王文平,许映秋,谈英姿[3]（2010）在《一种基于上叁角频繁项集矩阵的频繁模式挖掘算法》一文中研究指出提出了一种高效挖掘数据的频繁项目集模式的算法FIA.该算法采用一种二进制符号来表示数据,在仅扫描数据库一次之后,建立起二进制向量与上叁角频繁项集矩阵,根据两者来产生出频繁项集.从而有效地缩小了搜索空间,加快了处理速度.通过实验表明,FIA算法比Apriori算法更有效.(本文来源于《微电子学与计算机》期刊2010年09期）
李伟,李先国[4]（2010）在《基于频繁模式矩阵的改进挖掘算法研究》一文中研究指出提出了对基于频繁模式矩阵Fp-array的挖掘的改进算法。首先对各项的投影矩阵预处理划分成若干同维矩阵,并根据同维矩阵的权值对剩余未搜索项进行预先判断,进而对搜索最大频繁项目集进行有效剪枝,减少了搜索范围。经过实验和算法分析,证明了改进算法具有明显的优越性。(本文来源于《科学技术与工程》期刊2010年04期）
王闻,谢伙生[5]（2008）在《基于FP树和对称矩阵的最大频繁模式挖掘算法》一文中研究指出FP-Max算法是一种有效的最大频繁模式挖掘算法,但它在挖掘过程中产生的候选集规模过大,需要构造和遍历大量没必要的条件FP树,因此效率低.为此提出了SMFP-Max算法,算法以FP树和对称矩阵为框架来挖掘最大频繁模式,在挖掘过程中采用了多种剪枝策略并结合自顶向下和自底向上的双向搜索策略,大大缩小了候选集规模,避免了不必要的条件FP树的产生.理论分析和实验结果表明,SMFP-Max算法是一种高效的最大频繁模式挖掘算法,具有良好的时空效率,算法性能优于FP-Max算法.(本文来源于《第二十五届中国数据库学术会议论文集（二）》期刊2008-10-24）
何海涛,张世玲[6]（2008）在《基于矩阵的频繁模式挖掘及更新算法》一文中研究指出频繁模式挖掘在数据挖掘领域已经有广泛的应用。然而,对于增量更新频繁模式挖掘研究得不是很多。本文提出了一种新颖的增量更新频繁模式树结构(IUNP_Tree),构建它只需要对数据库扫描一次。此外,提出了基于条件矩阵(conditional matrix)的频繁模式挖掘算法(FPBM_Mine)和增量更新算法INUPA,可以有效地处理数据库的增量更新问题。实验表明,该算法是有效的,并且运行效率高于FP-growth算法。(本文来源于《计算机科学》期刊2008年03期）
吴聪聪,李忠哗,何丕廉[7]（2007）在《基于矩阵的最大频繁模式挖掘及其更新算法》一文中研究指出提出了一种基于矩阵的挖掘最大频繁模式的算法(FPA),只需扫描数据集一遍,不生成候选项目集。在实际应用中用户经常需要调整最小支持度阀值获得信息,为此,提出了更新挖掘算法(UFPA)。实验结果表明,这两个算法具有很好性能。(本文来源于《微电子学与计算机》期刊2007年12期）
李忠哗,吴聪聪,戴维迪,何丕廉[8]（2007）在《基于频繁模式矩阵的最大频繁项目集挖掘算法》一文中研究指出提出了一种基于频繁模式矩阵FP-array的挖掘最大频繁项目集的算法。算法基本思想:①只扫描事务数据库一遍,把该数据库转换成一个矩阵FP-array,并且保留了所有事务数据库中项目间的关联信息,然后对该矩阵进行挖掘。②在FP-array中只存放逻辑型数据,节省了存储空间。③直接在FP-array上挖掘而不需要递归创建大量条件模式矩阵,挖掘过程采用逻辑运算,在效率上有独特的优势。通过实验验证了算法的有效性。(本文来源于《计算机应用与软件》期刊2007年07期）
频繁模式矩阵论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着数据挖掘的广泛应用,许多实际的数据挖掘应用需要用过去和当前数据对未来数据状态进行预测,针对这一现状,文中提出基于矩阵的数据流频繁模式预测算法(MFP).MFP算法可预测在下一时间窗口中可能性较大的频繁项集,以满足用户需要.该算法首先将数据转换为0-1矩阵;然后通过矩阵剪裁和位运算更新矩阵,并从中挖掘频繁项集;最后,利用当前窗口数据预测下一时间窗口中可能出现的频繁项集.实验结果表明,MFP算法在不同实验环境下能有效预测频繁项集,该算法是可行的.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
频繁模式矩阵论文参考文献
[1].陈鑫,薛云,卢昕,李万理,赵洪雅.基于保序子矩阵和频繁序列模式挖掘的文本情感特征提取方法[J].山东大学学报(理学版).2018
[2].任永功,李雪兰.基于矩阵的数据流频繁模式预测算法[J].微电子学与计算机.2012
[3].王文正,王文平,许映秋,谈英姿.一种基于上叁角频繁项集矩阵的频繁模式挖掘算法[J].微电子学与计算机.2010
[4].李伟,李先国.基于频繁模式矩阵的改进挖掘算法研究[J].科学技术与工程.2010
[5].王闻,谢伙生.基于FP树和对称矩阵的最大频繁模式挖掘算法[C].第二十五届中国数据库学术会议论文集（二）.2008
[6].何海涛,张世玲.基于矩阵的频繁模式挖掘及更新算法[J].计算机科学.2008
[7].吴聪聪,李忠哗,何丕廉.基于矩阵的最大频繁模式挖掘及其更新算法[J].微电子学与计算机.2007
[8].李忠哗,吴聪聪,戴维迪,何丕廉.基于频繁模式矩阵的最大频繁项目集挖掘算法[J].计算机应用与软件.2007