ㄧ個針對連續頻繁之K取N配對搜尋的快速演算法

Abstract

在多媒體與資料探勘的應用上，相似度搜尋是一個很重要的議題。目前大部分的演算法都利用物件的所有特徵來決定彼此之間的相似度。這些演算法很容易被物件中高差異性的特徵所影響。在K-N配對搜尋中，只將物件的d的特徵中取出k個來比較，解決的之前演算法的問題並且能夠有效的找出物件彼此的相似度。在變動的環境中，多維特徵的資料總是變化地很快。每當資料變化時都重新計算答案很沒有效率。因此，在這篇論文我們提出了一個針對連續K-N配對搜尋的演算法叫CFKNMatchAD。我們對每個特徵計算出一個安全領域，只有當特徵變化跑出安全領域後才會做重新計算的動作，可以大幅節省計算所花費的消耗並且可以提供正確的答案。實驗的結果我們的演算法在不同的資料變化率下，可以降低重新計算的花費。另外，CFKNMatch- AD還可以應用在分散式環境中來平均計算的花費。