ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Ingénierie des Systèmes d'Information

Networking and Information Systems
1633-1311
Revue des sciences et technologies de l'information
Nouvel éditeur en 2019
 

 ARTICLE VOL 23/5 - 2018  - pp.121-138  - doi:10.3166/isi.23.5.121-138
TITRE
Une nouvelle méthode d’exploration de modèles fréquente et peu fréquente pondérée sur le commerce électronique en temps réel

TITLE
A new weighted based frequent and infrequent pattern mining method on realtime E-commerce

RÉSUMÉ
Le but de cette recherche est de réaliser une extraction de motif peu fréquente sur les données E-Commerece. La fouille par associations est un modèle intéressant de fouille de données, chargé de récupérer des corrélations, des modèles fréquents et des associations peu fréquentes à partir de grands ensembles de données. L'objectif principal de l'extraction de modèles peu fréquents est de découvrir les éléments les moins fréquents parmi les modèles d'association positifs et négatifs, avec des mesures de soutien et de confiance minimales. Généralement, le processus d’extraction de règles d’association est traité en 2 phases. Initialement, les ensembles d'éléments ayant des valeurs de seuil élevées sont identifiés et ensuite génèrent des modèles d'association à partir de ces ensembles candidats fréquents. Les règles d'association peuvent être représentées dans deux formes: l'une est une règle d'association positive et l'autre une règle d'association négative. Dans cette approche proposée, un modèle d'exploration de données fréquent et peu fréquent a été développé pour permettre de découvrir les principaux modèles relationnels fréquents et peu fréquents sur l'ensemble de données de commerce électronique. L'utilisateur sélectionne son produit caractéristique pour générer des modèles d'association fréquents et peu fréquents. L'utilisateur sélectionne son produit caractéristique pour générer des modèles d'association fréquents et rares. Sur la base du produit caractéristique, tous les ensembles de candidats associés sont générés pour l'utilisateur sélectionné le produit caractéristique P. Ces ensembles de candidats permettent de découvrir les associations fréquentes et peu fréquentes avec d’autres produits. Une mesure de classement peu fréquente a été ici utilisée pour filtrer le produit peu fréquent des associations fréquentes. Les résultats expérimentaux montrent que le modèle proposé a une prédiction de calcul élevée par rapport aux modèles d'extraction peu fréquents traditionnels.


ABSTRACT
The purpose of this research is to perform infrequent pattern mining on ECommerece Data. Association mining is an interesting model of data mining which is responsible for retrieving correlations, frequent patterns and infrequent associations from la rge datasets. The main objective of infrequent pattern mining is to discover the top infrequent items from the positive and negative association patterns with minimum support and confidence measures. Generally, association rule mining process is processed in 2 phases. Initially itemsets having high threshold values are identified and then secondly generates association patterns from these frequent candidate sets. Association rules can be represented in two forms, one is positive association rules and the other is negative association rules. In this proposed approach, user recommended frequent and infrequent mining model was developed to discover the top frequent and infrequent relational patterns on the e-commerce dataset. User selects his feature product to generate frequent and infrequent association patterns. Based on the feature product, all related candidate sets are generated to the user selected feature product P. These candidate sets are used to discover the frequent and infrequent associations with other feature products. Here weighted infrequent ranking measure was used to filter the infrequent product from the frequent associations. Experimental results show that proposed model has high computational prediction compared to traditional infrequent mining models.


AUTEUR(S)
Thulasi BIKKU

MOTS-CLÉS
données de marché, règles d'association peu fréquentes, support.

KEYWORDS
market data, infrequent association rules, support.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (313 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier