挖掘DBLP作者合作关系，FP-Growth算法实践（6）：简单的总结报告
基于FP-Growth的频繁项集挖掘与基于社交图的关联规则挖掘 一、任务简介 1 二、数据集 1 三、基本思路 2 3.1、发掘各个会议的“核心”研究者 2 3.2、挖掘作者之间的合作关系 3 3.3、挖掘导师-学生关系 5 四、正确性验证 5 五、总结 5 ? ? 一、任务简介 本次
挖掘DBLP作者合作关系，FP-Growth算法实践（3）：挖掘任务简介、
首先是挖掘任务： 思路明天写。。。。。
挖掘DBLP作者合作关系，FP-Growth算法实践（5）：挖掘研究者合作
副标题#e# 就是频繁项集挖掘，FP-Growth算法。 先产生headerTable： 数据结构（其实也是调了好几次代码才确定的，因为一开始总有想不到的东西）：entry: entry: {authorName: frequence,firstChildPointer,startYear,endYear} def CreateHeaderTable(tranDB
挖掘DBLP作者合作关系，FP-Growth算法实践（4）：挖掘每个会议的
在只有【论文标题、发布时间、作者、会议名称】这四种信息的情况下，首先提取出所有这四种信息： 代码产生的结果如下，数据结构类似于headerTable，看结果就知道了，不再介绍： authorDict={} #{authorName: total(frequence,startYear,endYear),{eachConf
挖掘DBLP作者合作关系，FP-Growth算法实践（2）：从DBLP数据集中
副标题#e# 上篇文章：http://www.voidcn.com/article/p-nsbrwwsu-zv.html?（挖掘DBLP作者合作关系，FP-Growth算法实践（1）：从DBLP数据集中提取目标信息（会议、作者等）） 大家反映代码不能用，主要是太慢了，好吧，我也承认慢，在内存构造树，肯定的！
