1. Trang chủ
  2. » Luận Văn - Báo Cáo

Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng

43 34 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 43
Dung lượng 1,44 MB

Nội dung

Ngày đăng: 26/01/2021, 06:59

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Agrawal, Rakesh, and Ramakrishnan Srikant. "Mining sequential patterns." Data Engineering, 1995. Proceedings of the Eleventh International Conference on. IEEE, 1995 Sách, tạp chí
Tiêu đề: Mining sequential patterns
[2] Srikant, Ramakrishnan, and Rakesh Agrawal. "Mining sequential patterns: Generalizations and performance improvements." International Conference on Extending Database Technology. Springer Berlin Heidelberg, 1996 Sách, tạp chí
Tiêu đề: Mining sequential patterns: Generalizations and performance improvements
[3] Zaki, Mohammed J. "SPADE: An efficient algorithm for mining frequent sequences." Machine learning 42.1-2 (2001): 31-60 Sách, tạp chí
Tiêu đề: SPADE: An efficient algorithm for mining frequent sequences
Tác giả: Zaki, Mohammed J. "SPADE: An efficient algorithm for mining frequent sequences." Machine learning 42.1-2
Năm: 2001
[4] Ayres, Jay, et al. "Sequential pattern mining using a bitmap representation." Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2002 Sách, tạp chí
Tiêu đề: Sequential pattern mining using a bitmap representation
[5] Han, Jiawei, et al. "FreeSpan: frequent pattern-projected sequential pattern mining." Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2000 Sách, tạp chí
Tiêu đề: FreeSpan: frequent pattern-projected sequential pattern mining
[6] Han, Jiawei, et al. "Prefixspan: Mining sequential patterns efficiently by prefix-projected pattern growth." proceedings of the 17th international conference on data engineering. 2001 Sách, tạp chí
Tiêu đề: Prefixspan: Mining sequential patterns efficiently by prefix-projected pattern growth
[7] Yan, X., Jiawei Han, and Ramin Afshar. "Mining closed sequential patterns in large databases." SDM SIAM (2003) Sách, tạp chí
Tiêu đề: Mining closed sequential patterns in large databases
[8] Lu, Eric Hsueh-Chan, Yi-Wei Lin, and Jing-Bin Ciou. "Mining mobile application sequential patterns for usage prediction." Granular Computing (GrC), 2014 IEEE International Conference on. IEEE, 2014 Sách, tạp chí
Tiêu đề: Mining mobile application sequential patterns for usage prediction
[9] Tseng, Vincent S., Eric Hsueh-Chan Lu, and Cheng-Hsien Huang. "Mining temporal mobile sequential patterns in location-based service environments." Parallel and Distributed Systems, 2007 International Conference on. Vol. 2. IEEE, 2007 Sách, tạp chí
Tiêu đề: Mining temporal mobile sequential patterns in location-based service environments
[10] Lu, Eric Hsueh-Chan, and Vincent S. Tseng. "Mining cluster-based mobile sequential patterns in location-based service environments." 2009 Tenth International Conference on Mobile Data Management: Systems, Services and Middleware. IEEE, 2009 Sách, tạp chí
Tiêu đề: Mining cluster-based mobile sequential patterns in location-based service environments
[11] Yun, Ching-Huang, and Ming-Syan Chen. "Mining mobile sequential patterns in a mobile commerce environment." IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) 37.2 (2007): 278-295 Sách, tạp chí
Tiêu đề: Mining mobile sequential patterns in a mobile commerce environment
Tác giả: Yun, Ching-Huang, and Ming-Syan Chen. "Mining mobile sequential patterns in a mobile commerce environment." IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) 37.2
Năm: 2007
[12] Belokar, Ms VC, and Mr PS Kulkarni. "Mobile sequential pattern mining in location-based service environment." International Journal of Electronics and Computer Science Engineering: 2277-1956 Sách, tạp chí
Tiêu đề: Mobile sequential pattern mining in location-based service environment
[13] Quách Xuân Trưởng, Nguyễn Văn Sự, Đinh Đức Hoàng. "Nghiên cứu các kỹ thuật khai phá mẫu dãy cho dữ liệu dãy." Tạp Chí Khoa Học Công Nghệ Đại Học Thái Nguyên, 118(04): 125 – 131, 2014 Sách, tạp chí
Tiêu đề: Nghiên cứu các kỹ thuật khai phá mẫu dãy cho dữ liệu dãy
[14] Nguyễn Đình Văn, Một số thuật toán khai phá luật dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính toán hoá đơn nước. Luận văn thạc sỹ. Trường Đại Học Công Nghệ Hà Nội, 2011 Sách, tạp chí
Tiêu đề: Một số thuật toán khai phá luật dãy và ứng dụng thử nghiệm vào hệ thống quản lý khách hàng và tính toán hoá đơn nước
[15] Pei, Jian, et al. "Mining access patterns efficiently from web logs." Pacific- Asia Conference on Knowledge Discovery and Data Mining. Springer Berlin Heidelberg, 2000 Sách, tạp chí
Tiêu đề: Mining access patterns efficiently from web logs

HÌNH ẢNH LIÊN QUAN

được lưu lại như Hình 1.1. - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
c lưu lại như Hình 1.1 (Trang 11)
Bảng 2.1 Quá trình sinh các ứng viên - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 2.1 Quá trình sinh các ứng viên (Trang 15)
Hình 2. 1: Biến đổi dữ liệu sang dạng nhị phân trong SPAM - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 2. 1: Biến đổi dữ liệu sang dạng nhị phân trong SPAM (Trang 16)
Hình 2. 2: Xây dựng cơ sở dữ liệu quy chiếu trong PrefixSpan - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 2. 2: Xây dựng cơ sở dữ liệu quy chiếu trong PrefixSpan (Trang 17)
Bảng 3. 3: Cơ sở dữ liệu khách hàng được biểu diễn dạng sequence - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 3. 3: Cơ sở dữ liệu khách hàng được biểu diễn dạng sequence (Trang 20)
4.1 Mô hình hệ thống - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
4.1 Mô hình hệ thống (Trang 23)
sở dữ liệu được trình bày ở Bảng 4.1. - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
s ở dữ liệu được trình bày ở Bảng 4.1 (Trang 25)
Bảng 4. 1: Tập cơ sở dữ liệu đường đi người dùng - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 4. 1: Tập cơ sở dữ liệu đường đi người dùng (Trang 25)
Bảng 4.2: Cơ sở dữ liệu sequence - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 4.2 Cơ sở dữ liệu sequence (Trang 26)
Bảng 4. 3: Bảng chuyển đổi giá trị - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 4. 3: Bảng chuyển đổi giá trị (Trang 26)
Hình 4.2: Kết quả chạy thuật toán AprioriAll trên tập dữ liệu ở Bảng 4.4 - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 4.2 Kết quả chạy thuật toán AprioriAll trên tập dữ liệu ở Bảng 4.4 (Trang 28)
Hình 4. 3: Cây dự đoán hành vi chuyến đi - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 4. 3: Cây dự đoán hành vi chuyến đi (Trang 29)
Bảng 5. 1: Các vị trích ọn để thu thập dữ liệu - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 5. 1: Các vị trích ọn để thu thập dữ liệu (Trang 31)
Hình 5. 1: Ứng dụng đường đi người dùng trên AppStore - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 1: Ứng dụng đường đi người dùng trên AppStore (Trang 32)
Hình 5. 3: Dữ liệu được chuyển đổi về dạng file - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 3: Dữ liệu được chuyển đổi về dạng file (Trang 33)
Hình 5. 2: Minh họa dữ liệu được lưu trữ trên server - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 2: Minh họa dữ liệu được lưu trữ trên server (Trang 33)
biến thu thập được: 27 patterns. Bảng 5.3 minh họa 5 mẫu phổ biến của quá trình thí nghiệm trên: - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
bi ến thu thập được: 27 patterns. Bảng 5.3 minh họa 5 mẫu phổ biến của quá trình thí nghiệm trên: (Trang 34)
Bảng 5. 3: Minh họa 5 mẫu phổ biến của thí nghiệm dưới dạng tường mình - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Bảng 5. 3: Minh họa 5 mẫu phổ biến của thí nghiệm dưới dạng tường mình (Trang 36)
Hình 5. 4: Biểu diễn kết quả khai phá về dạng cây từ kết quả Bảng 5.3 - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 4: Biểu diễn kết quả khai phá về dạng cây từ kết quả Bảng 5.3 (Trang 37)
Hình 5. 6: Thí nghiệm GSP và PrefixSpan trên tập 300 records - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 6: Thí nghiệm GSP và PrefixSpan trên tập 300 records (Trang 38)
Hình 5. 5: Thí nghiệm GSP và PrefixSpan trên tập 200 records - Khai thác mẫu tuần tự để phân tích hành vi chuyến đi người dùng
Hình 5. 5: Thí nghiệm GSP và PrefixSpan trên tập 200 records (Trang 38)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w