انجمن کامپیوتر ایران

کشف الگوهای پرتکرار از مجموعه داده‌های تراکنشی یکی از مهمترین وظایف داده‌کاوی است که تا کنون تحقیقات بسیار زیادی بر روی آن انجام گرفته است. بخشی از این تحقیقات بر روی الگوهای پرتکرار متناوب متمرکز گردیدهاند؛ الگوهای متناوب، الگوهایی هستند که به طور منظم تکرار میشوند؛ به عبارت دیگر الگوهایی، که فاصله بین هر دو رخداد متوالی آنها، از حداکثر از پیش تعریف شده کمتر باشد. اگرچه الگوهای متناوب میتوانند اطلاعات مفیدی برای کاربران به همراه داشته باشند؛ اما به نظر میرسد که حالتهای خاص، مثل افزایش یا کاهش تعداد رخداد یک الگوی پرتکرار، نیز میتواند مفید باشد. این در حالی است که این اطلاعات، با جدا کردن الگوهای متناوب از دست خواهد رفت. در این مقاله الگوریتمی مبتنی بر الگوریتم Eclat پیشنهاد نموده‌ایم که میتواند، با بررسی تغییرات فاصله رخدادها، حالتهای خاص در الگوها را کشف کند. آزمایشهای انجام شده نشان میدهد الگوریتم ارائه شده کارا بوده و میتواند الگوهای پرتکرار افزایشی و یا کاهشی را پیدا نماید.