فهرس المقالات Association Rule

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Privacy Preserving Big Data Mining: Association Rule Hiding
  Golnar Assadat  Afzali شهریار  محمدی
  10.7508/jist.2016.02.001
  Data repositories contain sensitive information which must be protected from unauthorized access. Existing data mining techniques can be considered as a privacy threat to sensitive data. Association rule mining is one of the utmost data mining techniques which tries to أکثر

  Data repositories contain sensitive information which must be protected from unauthorized access. Existing data mining techniques can be considered as a privacy threat to sensitive data. Association rule mining is one of the utmost data mining techniques which tries to cover relationships between seemingly unrelated data in a data base.. Association rule hiding is a research area in privacy preserving data mining (PPDM) which addresses a solution for hiding sensitive rules within the data problem. Many researches have be done in this area, but most of them focus on reducing undesired side effect of deleting sensitive association rules in static databases. However, in the age of big data, we confront with dynamic data bases with new data entrance at any time. So, most of existing techniques would not be practical and must be updated in order to be appropriate for these huge volume data bases. In this paper, data anonymization technique is used for association rule hiding, while parallelization and scalability features are also embedded in the proposed model, in order to speed up big data mining process. In this way, instead of removing some instances of an existing important association rule, generalization is used to anonymize items in appropriate level. So, if necessary, we can update important association rules based on the new data entrances. We have conducted some experiments using three datasets in order to evaluate performance of the proposed model in comparison with Max-Min2 and HSCRIL. Experimental results show that the information loss of the proposed model is less than existing researches in this area and this model can be executed in a parallel manner for less execution time تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - بهبود استخراج قوانين وابستگي در انتخاب گروه هاي دانشي در تيم پروژه با تركيب روشهاي داده كاوي با تكنيك TOPSIS
  سيدكمال  چهارسوقي احمد  نورنگ مجيد  حسني دانيال  بيدگلي
  نقش مديريت دانش در مديريت پروژه حائز اهميت است و اجراي مطلوب آن در موفقيت پروژه بسيار موثر است. يكي از مولفه هاي اصلي مديريت دانش، گروه هاي دانشي مي باشد كه مي بايست به نحو مطلوب بكارگرفته شوند. استفاده از قوانين وابستگي به منظور شناسايي ارتباط بين گروه هاي دانشي در تيم أکثر

  نقش مديريت دانش در مديريت پروژه حائز اهميت است و اجراي مطلوب آن در موفقيت پروژه بسيار موثر است. يكي از مولفه هاي اصلي مديريت دانش، گروه هاي دانشي مي باشد كه مي بايست به نحو مطلوب بكارگرفته شوند. استفاده از قوانين وابستگي به منظور شناسايي ارتباط بين گروه هاي دانشي در تيم پروژه مي تواند دربهبود چيدمان و افزايش سطح بهره برداري از گروه هاي دانشي موثر باشد. به منظور كشف قوانين وابستگي در بين متغيرها، متدولوژي هاي مختلف وجود دارد كه منجر به نتايج گوناگون مي شود. آنچه در اين پژوهش مورد توجه قرار مي گيرد بهره گيري از سه متدولوژي به منظور كشف اوليه قوانين وابستگي بين گروه هاي دانشي در بين اعضاء تيم پروژه مي باشد. سپس قوانين اوليه شناسايي شده پايش گرديده و با بهره گيري از تكنيك تصميم گيري چند شاخص قوانين پايش شده، اولويت بندي مي گردند. نتايج اين پژوهش با توجه به بهره گيري تركيبي از متدولوژي هاي كشف قوانين وابستگي و اولويت بندي نهايي قوانين با تكنيك TOPSIS مي تواند به معرفي بهترين قوانين وابستگي در بين گروه هاي دانشي در تيم هاي پروژه بپردازد كه اين نتايج به ارتقاء سطح عملكرد مديريت دانش در مديريت پروژه منجر گردد. تفاصيل المقالة