[論文レビュー] Granular association rule mining through parametric rough sets for cold start recommendation

Fan Min, William Zhu|arXiv (Cornell University)|Sep 29, 2012

Rough Sets and Fuzzy Logic参考文献 1被引用数 3

ひとこと要約

本稿では、推薦システムにおけるコールドスタート推薦のためのグレイン単位の関連ルールを抽出するために、二つのユニバース上のパラメトリックな粗さ集合モデルを提案する。パラメータをルールの閾値に関連付け、下近似作用素を用いることで、従来のサンドイッチアルゴリズムよりも著しく高速なバックワードルール抽出アルゴリズムを実現した。実世界のデータセットを用いた検証により、その有効性が裏付けられた。

ABSTRACT

Granular association rules reveal patterns hide in many-to-many relationships which are common in relational databases. In recommender systems, these rules are appropriate for cold start recommendation, where a customer or a product has just entered the system. An example of such rules might be "40% men like at least 30% kinds of alcohol; 45% customers are men and 6% products are alcohol." Mining such rules is a challenging problem due to pattern explosion. In this paper, we propose a new type of parametric rough sets on two universes to study this problem. The model is deliberately defined such that the parameter corresponds to one threshold of rules. With the lower approximation operator in the new parametric rough sets, a backward algorithm is designed for the rule mining problem. Experiments on two real world data sets show that the new algorithm is significantly faster than the existing sandwich algorithm. This study indicates a new application area, namely recommender systems, of relational data mining, granular computing and rough sets.

研究の動機と目的

• リレーショナルデータベースに一般的に見られる多対多関係から、グレイン単位の関連ルールを効果的に抽出する課題に対処すること。
• 新規ユーザーまたはアイテムに十分な相互作用データが不足するコールドスタート状況において、ルール抽出におけるパターンの爆発を克服すること。
• ルール閾値を明示的にモデル化できる、二つのユニバース上の新規なパラメトリックな粗さ集合モデルを構築すること。
• 下近似作用素を活用した効率的なバックワード抽出アルゴリズムを設計し、スケーラブルなルール発見を実現すること。
• 実世界のデータセットを用いて、従来のサンドイッチアルゴリズムと比較して本手法の優位性を実証すること。

提案手法

• ユーザーとアイテムの関係を表現するために、二つのユニバース上に定義された新しいパラメトリックな粗さ集合モデルを提案する。
• パラメトリックな粗さ集合モデルにおける下近似作用素を定義し、そのパラメータが直接的にルール閾値に対応するようにする。
• 下近似を用いて有効なグレイン単位の関連ルールを効率的に同定するバックワードルール抽出アルゴリズムを構築する。
• パラメトリック構造を活用して全探索を回避し、ルール抽出中の計算複雑度を低減する。
• 実世界のデータセットにアルゴリズムを適用し、性能とスケーラビリティを評価する。
• モデルがリレーショナルデータに内在する多対多関係を適切に捉えられることを保証する。

実験結果

リサーチクエスチョン

• RQ1 リレーショナルデータベースにおける多対多関係から、どのようにしてグレイン単位の関連ルールを効果的に抽出できるか？
• RQ2 二つのユニバース上のパラメトリックな粗さ集合モデルは、コールドスタート推薦状況におけるルール抽出の効率を向上させることができるか？
• RQ3 粗さ集合モデルのパラメータを直接的にルール閾値に関連付けることで、抽出性能にどのような影響を与えるか？
• RQ4 提案されたバックワードアルゴリズムは、従来のサンドイッチアルゴリズムと比較して、ルール抽出の速度でどのように差をつけるか？
• RQ5 提案手法は、ルール品質を維持したまま、実世界のデータセットにおいて効果的にスケーリングできるか？

主な発見

• 提案されたパラメトリックな粗さ集合モデルは、リレーショナルデータベースに一般的に見られる多対多関係におけるグレイン単位の関連ルールを効果的に捉えている。
• 下近似作用素に基づくバックワード抽出アルゴリズムは、サンドイッチアルゴリズムと比較して計算時間を著しく短縮している。
• 2つの実世界のデータセットを用いた実験により、新しいアルゴリズムが従来のサンドイッチアルゴリズムよりも著しく高速であることが確認された。
• 本手法により、相互作用データが疎であっても意味のあるルールを抽出でき、効果的なコールドスタート推薦が可能になった。
• 本研究は、リレーショナルデータマイニング、グレインコンピューティング、および粗さ集合の新しい応用分野を確立した。