인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
This study improves frequent item set mining efficiency by introducing UFIM, a modified FP-Growth algorithm using the UFP-tree. The one-way frequent pattern tree uses a non-recursive method to check if an endpoint’s support count meets the minimum threshold. If not, the constrained subtree yields no frequent item sets; otherwise, the set includes nodes excluding the root. Experimental results show UFIM processes faster than similar algorithms, with a peak signal-to-noise ratio (PSNR) of 27.0 to 27.6 and structural similarity fluctuating between 0.86 and 0.92. To enhance UFIM’s performance in big data environments, a parallelization strategy was implemented on the Spark platform. Frequent 1-item sets are identified in parallel, and data for subtrees are distributed across multiple nodes. Each node mines item sets independently, aggregating local results into a global frequent set. The parallelized UFIM algorithm, demonstrated through a book recommendation system, efficiently analyzes user purchase history to suggest accurate book recommendations.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094678407
