公开(公告)号：CN108520027B

公开(公告)日：2020-09-29

申请号：CN201810255238.7

申请日：2018-03-20

Applicant: 大连理工大学

Inventor： 王宇新 ,  徐彤坤 ,  薛世卿

IPC: G06F16/20

Abstract: 本发明属于计算机应用技术领域，提供一种基于CUDA框架的GPU加速的频繁项集挖掘方法。本发明采用图连接和动态队列的方式，提供一种基于CUDA框架的GPU加速的频繁项集挖掘方法。该方法在充分结合Apriori算法和Eclat算法的优势的同时，将候选项集生成这一逻辑复杂型任务转变为计算密集型任务以适应CUDA框架的计算方式，并通过动态队列的方式合理解决了GPU全局内存的限制，如对于离散数据集转换成垂直位图后所需内存超过GPU全局内存限制的情况。实验证明本发明在处理各种类型的大型数据集的加速性能都超过串行算法，处理能力显著提高，提取到的频繁项集精准可靠。在实际的工程应用中，具有其他算法无法替代的优势。

公开(公告)号：CN108520027A

公开(公告)日：2018-09-11

申请号：CN201810255238.7

申请日：2018-03-20

Applicant: 大连理工大学

Inventor： 王宇新 ,  徐彤坤 ,  薛世卿

IPC: G06F17/30

Abstract: 本发明属于计算机应用技术领域，提供一种基于CUDA框架的GPU加速的频繁项集挖掘算法。本发明采用图连接和动态队列的方式，提供一种基于CUDA框架的GPU加速的频繁项集挖掘算法。该方法在充分结合Apriori算法和Eclat算法的优势的同时，将候选项集生成这一逻辑复杂型任务转变为计算密集型任务以适应CUDA框架的计算方式，并通过动态队列的方式合理解决了GPU全局内存的限制，如对于离散数据集转换成垂直位图后所需内存超过GPU全局内存限制的情况。实验证明本发明在处理各种类型的大型数据集的加速性能都超过串行算法，处理能力显著提高，提取到的频繁项集精准可靠。在实际的工程应用中，具有其他算法无法替代的优势。