Hailye Tekleselase
భారీ లావాదేవీల డేటాబేస్ల నుండి అధిక యుటిలిటీ ఐటెమ్సెట్ మైనింగ్ (HUIM) అనేది ఒక లావాదేవీలో కొనుగోలు చేసిన వస్తువుల ఆదాయానికి కారణమవుతున్నందున గణనీయమైన దృష్టిని ఆకర్షించింది. HUIలను గని చేయడానికి చాలా ట్రీ-ఆధారిత అల్గారిథమ్లు డేటాబేస్ను ఐటెమ్-ప్రిఫిక్స్ ట్రీగా మారుస్తుండగా, అవి ప్రామిస్ చేయని ఐటెమ్లను విస్మరిస్తాయి మరియు గణనీయమైన మెమరీని వినియోగిస్తాయి. లావాదేవీ-స్థాయి సమాచారాన్ని నిల్వ చేసే చెట్లను ఉపయోగించడం అటువంటి ఉపసర్గ చెట్లతో కలిపి మైనింగ్ ప్రక్రియను మెరుగుపరుస్తుందని నిరూపించబడింది. ఈ విషయంలో, ప్రస్తుత పని మెమరీ-సమర్థవంతమైన చెట్లను ప్రతిపాదించింది- యుటిలిటీ ప్రైమ్ ట్రీ (UPT), ప్రైమ్ కాంటర్ ఫంక్షన్ ట్రీ (PCFT), మరియు స్ట్రింగ్ బేస్డ్ యుటిలిటీ ప్రైమ్ ట్రీ (SUPT) ఇవి ఉపసర్గ వలె కాకుండా మొత్తం లావాదేవీ సమాచారాన్ని నోడ్లో ఎన్కోడ్ చేస్తాయి. ఒకే డేటాబేస్ స్కాన్ ద్వారా -ఆధారిత చెట్లు. రియల్ మరియు సింథటిక్ డేటాసెట్లు రెండింటిపై నిర్వహించిన ప్రయోగాలు సాహిత్యంలో చెట్ల నిర్మాణాలతో పోల్చినప్పుడు ఈ నిర్మాణాలు గణనీయంగా తక్కువ మెమరీని వినియోగిస్తున్నాయని చూపుతున్నాయి.