摘要: 频繁模式查找对新词识别、网络奥情监测、生物信息序列检测等领域有很高的应用价值。为处理规模远超出内存的语料,提出了一种实用的频繁模式查找算法。先将语料按后缀首字符划分为多个集合,通过逐条扫描集合数据,搜索出最大化最长公共前缀区间(MI_CPI)来完成查找。另外在此基拙上提出逐层归并算法,实现查找的同时归并子串。由于进行查找时无需将全部数据导入内存,因此资源消耗较少;各集合间频繁模式查找互不千扰,可采用并行处理加快运行速度。使用4. 61C}纯文本语料进行了试验,结果表明其内存消耗小于30M,查找速度最快达1. 08M/s,能高效地进行子串归并。
丁溪源,黄河燕,张海军,王树梅. 基于大规模语料划分的频繁模式查找算法[J]. 计算机科学, 2012, 39(3): 153-156. https://doi.org/
DING Xi-yuan,HUANG He-yan,ZHANG Hai-jun,WANG Shu-mei. Algorithm of Frequent Patterns Finding Based on Large Scale Corpus Partition[J]. Computer Science, 2012, 39(3): 153-156. https://doi.org/