병렬 및 분산 Hadoop 프레임워크에서의 퍼지 고유용성 패턴 탐색

지난 10년 동안, 고유용 항목 집합 탐색(HUIM)은 이전에 빈번한 항목 집합 탐색(FIM)을 사용하여 가능한 것보다 더 중요한 정보를 강조할 수 있는 광범위한 주목을 받았습니다. 불행히도, HUIM은 미리 정의된 최소 유용성 임계값을 기반으로 이진 모델을 사용하여 항목 집합을 결정하기 때문에 FIM과 매우 유사합니다. 또한, 이전의 대부분의 작업은 HUIM에서 단일 소규모 데이터 세트에만 집중되어 있으며, 이는 오늘날의 빅 데이터 환경을 포함한 현실 세계의 시나리오에 비현실적입니다. 이 연구에서는 퍼지 집합 이론과 MapReduce 프레임워크를 활용하여 위의 문제를 해결하기 위해 새로운 고 퍼지 유용성 패턴 탐색 알고리즘을 설계합니다. 퍼지 집합 이론이 먼저 적용되며, 단일 머신에서 고 퍼지 유용성 패턴을 발견하기 위해 효율적인 고 퍼지 유용성 항목 집합 탐색 알고리즘(EFUPM)이 설계됩니다. 그런 다음 검색 공간에서 유망하지 않은 후보를 조기에 가지치기할 수 있도록 두 개의 상한이 추정됩니다. 대규모 빅 데이터 세트를 처리하기 위해 Hadoop 프레임워크를 기반으로 한 고 퍼지 유용성 패턴 탐색(HFUPM) 알고리즘이 개발되어 Hadoop 프레임워크를 기반으로 고 퍼지 유용성 패턴을 발견합니다. 실험 결과는 제안된 알고리즘이 단일 머신 또는 대규모 환경에서 현재의 최첨단 접근 방식에 비해 필요한 고 퍼지 유용성 패턴을 탐색하는 데 강력하게 작동한다는 것을 분명히 보여줍니다.