Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Giới thiệu
Đăng ký
Đăng nhập
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Thông tin
Điều khoản sử dụng
Quy định bảo mật
Quy chế hoạt động
Chính sách bản quyền
Giới thiệu
Đăng ký
Đăng nhập
0
Trang chủ
Kinh Doanh Marketing
Tổ chức sự kiện
Stream Prediction Using A Generative Model Based On Frequent Episodes In Event Sequences
Đang chuẩn bị liên kết để tải về tài liệu:
Stream Prediction Using A Generative Model Based On Frequent Episodes In Event Sequences
Xuân Thái
81
9
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
For small join tables, REED always chooses to push them into the network if their selectivity is smaller than one. For intermediate tables, the REED query optimizer makes a decision as to whether to push the join into the network based on the estimated selectivity of the predicate (which may be learned from past performance or gathered statistics, or estimated using basic query optimization tech- niques [28]) and the average depth of sensor nodes in the network. It uses a novel algorithm to store several copies of the join table at different groups of neighboring nodes in the. | Stream Prediction Using A Generative Model Based On Frequent Episodes In Event Sequences Srivatsan Laxman Microsoft Research Sadashivnagar Bangalore 560080 slaxman@microsoft.com Vikram Tankasali Microsoft Research Sadashivnagar Bangalore 560080 t-vikt@microsoft.com Ryen W. White Microsoft Research One Microsoft Way Redmond WA 98052 ryenw@microsoft.com ABSTRACT This paper presents a new algorithm for sequence prediction over long categorical event streams. The input to the algorithm is a set of target event types whose occurrences we wish to predict. The algorithm examines windows of events that precede occurrences of the target event types in historical data. The set of significant frequent episodes associated with each target event type is obtained based on formal connections between frequent episodes and Hidden Markov Models HMMs . Each significant episode is associated with a specialized HMM and a mixture of such HMMs is estimated for every target event type. The likelihoods of the current window of events under these mixture models are used to predict future occurrences of target events in the data. The only user-defined model parameter in the algorithm is the length of the windows of events used during model estimation. We first evaluate the algorithm on synthetic data that was generated by embedding in varying levels of noise patterns which are preselected to characterize occurrences of target events. We then present an application of the algorithm for predicting targeted user-behaviors from large volumes of anonymous search session interaction logs from a commercially-deployed web browser tool-bar. Categories and Subject Descriptors H.2.8 Information Systems Database Management Data mining General Terms Algorithms Keywords Event sequences event prediction stream prediction frequent episodes generative models Hidden Markov Models mixture of HMMs temporal data mining Permission to make digital or hard copies of all or part of this work for personal or .
TÀI LIỆU LIÊN QUAN
An online framework for civil unrest prediction using tweet stream based on tweet weight and event diffusion
Performance prediction of Darrieus vertical axis wind turbines using double multiple stream-tube model
Stream Prediction Using A Generative Model Based On Frequent Episodes In Event Sequences
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.