xml - 从 xml 文档中查找 1-itemset, 2-itemset...n-itemset

Question

<?xml version="1.0" encoding="utf-8"?>
<transaction>
    <itemset id="1">
        <item>pen</item>
        <item>notebook</item>
        <item>pencile box</item>
    </itemset>
<itemset id="2">
    <item>pen</item>
    <item>notebook</item>
    <item>pencile box</item>
    <item>ink</item>
</itemset>
<itemset id="3">
    <item>ink</item>
    <item>milk</item>
</itemset>
<itemset id="4">
    <item>pen</item>
    <item>notebook</item>
    <item>pencile box</item>
    <item>ink</item>
    <item>milk</item>
    <item>paper</item>
</itemset>
<itemset id="5">
    <item>pen</item>
    <item>ink</item>
    <item>notebook</item>
</itemset>
</transaction>

我是 XQuery 的新手。我正在使用 BaseX 来运行 XQuery。我的目标是根据非常流行的 Apriori 算法从每笔交易中找到 1-频繁 2-频繁项目集... n-频繁项目集并计算它们。

我已经找到了 1-frequent 项集及其支持度。但是我无法使用 XQuery 找到 2 项集及其支持计数。谁能帮我做到这一点？这是我试过的代码...

let $src:= doc('XML/test.xml')/transaction/itemset
let $minsup:= 3
let $C:=distinct-values($src/*)
let $l:=for $itemset in $C
        let $items:=(for $item in $src/*
                     where $itemset=$item
                     return $item)
                     let $sup := count($items)
        where $sup>=$minsup
        order by $sup descending
return<itemset>
      <item> {$itemset} </item>
      <support> {$sup} </support>
      </itemset>

let $C1:=distinct-values($l/item)
let $C2:=distinct-values($l/item)
let $cnt:=count(distinct-values($l/item))
let $counter:=0
for $a in $C1
    for $b in $C2
    where $a>$b
return <items>
       <item>{concat($a,',',$b)}</item>
       </items>

预期的输出看起来像

<itemset>
  <item>pen</item>
  <support>4</support>
</itemset>
<itemset>
  <item>notebook</item>
  <support>4</support>
</itemset>
...............
<itemset>
  <item>pen</item>
  <item>notebook</item>
  <support>4</support>
</itemset>
<itemset>
  <item>pen</item>
  <item>pencile box</item>
  <support>3</support>
</itemset>
................
<itemset>
  <item>pen</item>
  <item>notebook</item>
  <item>pencile box</item>
  <support>3</support>
</itemset>
<itemset>
  <item>pen</item>
  <item>notebook</item>
  <item>ink</item>
  <support>3</support>
</itemset>
...............

Answer 1

目前还不完全清楚您要做什么。我在这里所说的是基于这样的信念，即您想要的是一个频率列表，首先是单个项目值，然后是项目对，然后是三元组，然后是 n > 3 的 n 元组。或者，更抽象地说:对于 $n = 1到输入中不同项目值的数量，从出现超过 $minsup 次的不同项目值集中找到 $n 个不同值的每个选择。

(如果这不是对问题的正确描述，那么从现在开始我所说的一切都将是相关的。如果它是正确的描述，那么我祝贺你:这是一个很好的问题。感觉有点像旨在迫使您考虑元编程或递归的家庭作业；如果是这样，我认为提及这一事实是一种很好的形式。)

您在这里面临不止一项挑战。如果这是我的问题，我将从 $n = 1 的情况开始。您的代码的第一部分正确计算 $n = 1 的结果，作为 $l 的值，所以您已经在那里了。

然后我会为 $n = 2、$n = 3 等手动编写代码，直到我觉得我已经理解了该模式为止。 (实际上，我在 n = 4 之后停止。比我更早停止的程序员更聪明。)您具体询问 $n = 2 的情况。以下代码在某些方面与您的类似，但在细节上有所不同。我重命名了一些变量，以便于阅读。

let $src:= doc('.../utij.xml')/transaction
let $minsup:= 3
let $allitems := $src/itemset/item
let $C:=distinct-values($allitems)

let $n1 := for $value in $C
           let $itemsets := $src/itemset[item = $value]
           let $sup := count($itemsets)
           where $sup>=$minsup
           order by $sup descending
           return <itemset>
                    <item> {$value} </item>
                    <support> {$sup} </support>
                  </itemset>

let $n2 := for $v1 in $C, $v2 in $C
           let $itemsets := $src/itemset
                            [ item = $v1 
                              and item = $v2 
                              and $v1 gt $v2
                            ]
           let $sup := count($itemsets)
           where $sup ge $minsup
           order by $sup descending, $v1 ascending, $v2 ascending
           return <itemset>
                    <item>{$v1}</item>
                    <item>{$v2}</item>
                    <support>{$sup}</support>
                  </itemset>

return ($n1, '&#xA;........&#xA;', $n2)

请注意，我重新转换了 $n=1 的情况以计算包含具有适当值的项目的项目集元素，而不是项目元素本身。这使得两个代码块更加相似，并且应该使 $n 大于 2 的扩展显而易见。

然后我会停下来考虑我的 $n = 1, 2, 3, ... 的代码是否可以泛化。因为(正如您的草图已经反射(reflect)的那样)编写代码的直接方法涉及一个变量，范围涵盖 $n = 1 的所有值，两个变量 $n = 2，i 个变量 $n = i，答案是:这将很难以天真的方式概括。所以我会考虑一个接受两个输入的函数:第一个是项目集元素序列(在我的示例中是 $src 变量)，第二个是 n 元组序列。作为输出，我的函数将返回一个 n+1 元组序列。 (此时，我将为 $C 添加第三个参数，以避免每次都重新计算它。)可以设置第二个函数来为 1 和不同项目值的数量之间的每个值调用第一个函数在输入中，并返回结果的串联。