好像还没有这本

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 DistributedDataMining . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Existing Multi-database Mining Approaches . . . . . . . . . . . . 5
1.3.1 Local Pattern Analysis . . . . . . . . . . . . . . . . . . . 5
1.3.2 Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Re-mining . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Applications of Multi-database Mining . . . . . . . . . . . . . . . 7
1.5 Improving Multi-database Mining . . . . . . . . . . . . . . . . . 8
1.5.1 Various Issues of Developing Effective
Multi-database Mining Applications . . . . . . . . . . . . 8
1.6 Experimental Settings . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 FutureDirections . . . . . . . . . . . . . . . . . . . . . . . . . . 10
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 An Extended Model of Local Pattern Analysis . . . . . . . . . . . . 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Some Extreme Types of Association Rule in Multiple Databases . 16
2.3 An Extended Model of Local Pattern Analysis for
Synthesizing Global Patterns from Local Patterns in
Different Databases . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 An Application: Synthesizing Heavy Association Rules
in Multiple Real Databases . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.2 Synthesizing an Association Rule . . . . . . . . . . . . . . 22
2.4.3 ErrorCalculation . . . . . . . . . . . . . . . . . . . . . . 28
2.4.4 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Mining Multiple Large Databases . . . . . . . . . . . . . . . . . . . 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Multi-database Mining Using Local Pattern Analysis . . . . . . . 38
3.3 Generalized Multi-database Mining Techniques . . . . . . . . . . 39
vii
viii Contents
3.3.1 Local Pattern Analysis . . . . . . . . . . . . . . . . . . . 39
3.3.2 PartitionAlgorithm . . . . . . . . . . . . . . . . . . . . . 39
3.3.3 IdentifyExPatternAlgorithm . . . . . . . . . . . . . . . . 40
3.3.4 RuleSynthesizingAlgorithm. . . . . . . . . . . . . . . . . 40
3.4 Specialized Multi-database Mining Techniques . . . . . . . . . . 41
3.4.1 Mining Multiple Real Databases . . . . . . . . . . . . . . 41
3.4.2 Mining Multiple Databases
for the Purpose of Studying
aSet of Items . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.3 Study of Temporal Patterns in Multiple Databases . . . . . 42
3.5 Mining Multiple Databases Using Pipelined
Feedback Model (PFM) . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.1 AlgorithmDesign . . . . . . . . . . . . . . . . . . . . . . 44
3.6 ErrorEvaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.7 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.8 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4 Mining Patterns of Select Items in Multiple Databases . . . . . . . . 51
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2 Mining Global Patterns of Select Items . . . . . . . . . . . . . . . 53
4.3 Overall Association Between Two Items in a Database . . . . . . 55
4.4 An Application: Study of Select Items in Multiple
Databases Through Grouping . . . . . . . . . . . . . . . . . . . . 58
4.4.1 Properties of Different Measures . . . . . . . . . . . . . . 59
4.4.2 Grouping of Frequent Items . . . . . . . . . . . . . . . . . 61
4.4.3 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5 Enhancing Quality of Knowledge Synthesized from
Multi-database Mining . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.3 SimpleBitVector (SBV)Coding . . . . . . . . . . . . . . . . . . 76
5.3.1 Dealing with Databases Containing Large Number
of Items . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.4 Antecedent-Consequent Pair (ACP) Coding . . . . . . . . . . . . 79
5.4.1 Indexing Rule Codes . . . . . . . . . . . . . . . . . . . . 82
5.4.2 Storing Rulebases in Secondary Memory . . . . . . . . . . 86
5.4.3 Space Efficiency of Our Approach . . . . . . . . . . . . . 88
5.5 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Contents ix
6 Efficient Clustering of Databases Induced by Local Patterns . . . . 95
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2 ProblemStatement . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2.1 RelatedWork . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3 Clustering Databases . . . . . . . . . . . . . . . . . . . . . . . . 99
6.3.1 Finding the Best Non-trivial Partition . . . . . . . . . . . . 110
6.3.2 Efficiency of Clustering Technique . . . . . . . . . . . . . 113
6.4 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7 A Framework for Developing Effective Multi-database
Mining Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.2 Shortcomings of the Existing Approaches
to Multi-database Mining . . . . . . . . . . . . . . . . . . . . . . 122
7.3 Improving Multi-database Mining Applications . . . . . . . . . . 122
7.3.1 Preparation of Data Warehouses . . . . . . . . . . . . . . 123
7.3.2 Choosing Appropriate Technique of Multi-database Mining 123
7.3.3 Synthesis of Patterns . . . . . . . . . . . . . . . . . . . . 124
7.3.4 Selection of Databases . . . . . . . . . . . . . . . . . . . 124
7.3.5 Representing Efficiently Patterns Space . . . . . . . . . . 125
7.3.6 Designing anAppropriateMeasure ofSimilarity . . . . . . 126
7.3.7 DesigningBetterAlgorithmforProblemSolving . . . . . 126
7.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129