2 Related Work Clustering has been

2 Related Work
Clustering has been extensively studied by re­searchers in psychology, statistics, biology and so on. Surveys of clustering algorithms can be found in [DH73, JD88]. More recently, clustering algo­rithms for mining large databases have been pro­posed in [NH94, ZRL96, EKSX96, GRS98]. Most of these, however, are variants of either partitional (e.g., [NH94]) or centroid-based hierarchical clustering (e.g., [ZRL96, GRS98]). As a result, as pointed out in Sec­tion 1.1, these algorithms are more suitable for cluster­ing numeric data rather than data sets with categorical attributes.
Recently, in [HKKM97], the authors address the problem of clustering related customer transactions in a market basket database. Frequent itemsets used to generate association rules are used to construct a weighted hypergraph. Each frequent itemset is a hy­peredge in the weighted hypergraph and the weight of the hyperedge is computed as the average of the con­fidences for all possible association rules that can be generated from the itemset. Then, a hypergraph par­titioning algorithm from is used to partition the items such that the sum of the weights of hyperedges that are cut due to the partitioning is minimized. The result is a clustering of items (not transactions) that occur together in the transactions. Finally, the item clusters are used as the description of the cluster and a scoring metric is used to assign customer transactions to the best item cluster.
The rationale for using item clusters to cluster transactions is questionable. For example, the ap­proach in [HKKM97] makes the assumption that item­sets that define clusters are disjoint and have no overap among them. This may not be true in practice since transactions in different clusters may have a few common items. For instance, consider the market bas­ket database in Example 1.2. With minimum support set to 2 transactions, the hypergraph partitioning al­gorithm generates two item clusters of which one is {7} and the other contains the remaining items (since 7 has the least hyperedges to other items). However, this results in transactions {1, 2, 6} and {3, 4, 5} be­ing assigned to the same cluster since both have the highest score with respect to the big item cluster.

Результаты (русский) 1:

2 похожие работы Кластеризация был подробно изучен исследователей в психологии, статистика, биология и так далее. Обследования кластеризации алгоритмы можно найти в [DH73, JD88]. Совсем недавно кластеризация алгоритмы для горнодобывающей промышленности, которые были предложены больших баз данных в [NH94, ZRL96, EKSX96, GRS98]. Большинство из них, однако, являются варианты либо partitional (например, [NH94]) или иерархической кластеризации на основе центроид (например, [ZRL96, GRS98]). В результате как указано в разделе 1.1, эти алгоритмы являются более подходящими для группирования числовых данных, вместо того, чтобы наборы данных с категориальной атрибутами. Недавно в [HKKM97], авторы адрес проблемы кластеризации связанных операций клиента в базе данных потребительской корзины. Часто используемых наборов элементов, используемых для создания ассоциативных правил используются для построения взвешенное гиперграф. Каждый частые элементов является hyperedge в средневзвешенной гиперграф и вес hyperedge вычисляется как среднее уверенность для всех возможных ассоциативных правил, которые могут быть созданы из набора элементов. Затем гиперграф разбиения алгоритм используется для разделения элементов таким образом, чтобы сумма весов hyperedges, вырезаются из-за перегородок сводится к минимуму. Результатом является объединение элементов (не сделки), которые встречаются вместе в сделках. Наконец пункт кластеры используются как описание кластера и скоринга метрика используется для присвоения операции клиента в лучший элемент кластер. Обоснование использования элемента кластеров кластер сделок сомнительна. Например подход в [HKKM97] делает предположение, что наборы элементов, которые определяют кластеры непересекающиеся и не overap среди них. Это не может быть верно в практике, поскольку транзакции в разных кластерах могут иметь несколько общих элементов. Например рассмотрим базу данных потребительской корзины в примере 1.2. С минимальной поддержки, равным 2 сделки гиперграф разбиения алгоритм создает два элемента кластеры из которых один является {7} и другой содержит оставшиеся элементы (поскольку 7 наименее hyperedges с другими элементами). Однако это приводит к транзакций {1, 2, 6} и {3, 4, 5} назначаются на того же кластера, поскольку оба имеют самый высокий балл в отношении кластера большой пункт.

Результаты (русский) 2:

2 Связанные работы
кластеров была тщательно изучена исследователями в психологии, статистики, биологии и так далее. Обзоры алгоритмов кластеризации могут быть найдены в [DH73, JD88]. Совсем недавно, кластеризации алгоритмы для горнодобывающей больших баз данных были предложены в [NH94, ZRL96, EKSX96, GRS98]. Большинство из них, однако, варианты либо partitional (например, [NH94]) или центра тяжести на основе иерархической кластеризации (например, [ZRL96, GRS98]). В результате, как отмечалось в разделе 1.1, эти алгоритмы являются более подходящими для кластеризации числовые данные, а не наборы данных с категорическими атрибутов.
В последнее время в [HKKM97], авторы решения проблемы кластеризации, связанных клиентских операций в базе данных потребительской корзины , Часто встречающихся наборов, используемых для генерации ассоциативные правила используются для построения взвешенной гиперграфа. Каждый часто НИКАКИХ гарантий является гиперребро в весовом гиперграфа и вес гиперребро вычисляется как среднее из признаний для всех возможных ассоциативных правил, которые могут быть получены от НИКАКИХ гарантий. Затем алгоритм Гиперграф перегородки из используется для разделения элементов, таких, что сумма весов гиперребер, нарезаемых из-за разделения сведена к минимуму. Результат кластеризации элементов (не операции), которые происходят вместе в сделках. Наконец, пункт кластеры используются как описание кластера и забил метрика используется для назначения операции клиентов в лучшем пункт кластера.
Обоснованием для использования за товаром кластеров в кластер сделки находится под вопросом. Например, подход в [HKKM97] делает предположение, что наборов, которые определяют кластеры пересекаются и не имеют overap среди них. Это не может быть правдой на практике, поскольку сделки в разных кластерах может иметь несколько общих элементов. Рассмотрим, например, базы данных потребительской корзины в примере 1.2. При минимальной поддержке, установленным в 2 сделок, алгоритм разделения гиперграфа генерирует два товаром кластеров, один из которых является {7} и другой содержит оставшиеся пункты (с 7 имеет наименее гиперребра других предметов). Тем не менее, это приводит к сделкам {1, 2, 6} и {3, 4, 5} быть отнесен к тому же кластере, поскольку оба имеют высокий балл по отношению к большой группе элементов.

Результаты (русский) 3:

2 Работы, связанной с
кластеризация была обстоятельно изучены re­совершена в психологии, статистика, биологии и т.д. Обследования алгоритмы кластеризации можно найти в [DH73, JD88]. В последнее время, алгоритмов кластеризации­кроме добычи большие базы данных были pro­поставил в [NH94, ZRL96, EKSX96, GRS98]. Большинство из них, однако, являются вариантами либо partitional (например,[NH94]) или центроид объекта на основе объединения (например, [ZRL96, GRS98] ). В результате, как это указано в сек­- 1.1 , эти алгоритмы больше подходит для Cluster­образное числовых данных, а не наборы данных с категорическим атрибуты.
в последнее время в [HKKM97], авторы решения этой проблемы группирования смежных операций клиентов в условиях рыночной корзины базы данных.Частые itemsets используется для создания ассоциации правила можно использовать для создания иерархических взвешенной. Каждый из частых itemset - Hy­peredge в иерархических взвешенного и вес hyperedge вычисляется как среднее con­fidences для всех возможных ассоциации правила, которые могут быть сформированы из itemset. Затем,В иерархических par­titioning алгоритм используется для разделения элементов, таких, что сумма весов выбираемых случайно, вырезать из-за разделения, сведено к минимуму. В результате группирования пунктов (не сделок), которые происходят одновременно в операциях. И наконец,Пункт кластеры используются как описание кластера и балльная метрических используется для назначения операций клиентов с наилучшим пункт кластера.
Обоснование с помощью пункта групп к группе сделок является сомнительной. Например, точка доступа­proach в [HKKM97] делает предположение о том, что пункт­наборы, которые определяют кластеры несвязанное и не overap между ними.Это не может быть правдой в практике, поскольку операции в различных групп может иметь несколько общих элементов. Например, рассмотреть вопрос о рынке bas­кетский базы данных в примере 1.2 . При минимальной поддержке 2 сделок, иерархических разбиение на разделы "аль-­gorithm генерирует два дня кластеров, один из которых находится { 7} и других оставшихся пунктов повестки дня (после 7 не выбираемых случайно на другие пункты).Вместе с тем, в операциях {1, 2, 6} и {3, 4, 5} быть­ING назначены на один и тот же кластер и те и другие имеют наивысшую оценку в связи с большой пункт кластера.