[논문 리뷰] A Rough Sets Partitioning Model for Mining Sequential Patterns with Time Constraint

Jigyasa Bisaria, Namita Shrivastava외 1명|ArXiv.org|2009. 06. 23.

Rough Sets and Fuzzy Logic참고 문헌 16인용 수 5

한 줄 요약

이 논문은 시간 제약 조건 하에서 순차 패턴 산출을 가속화하기 위해 근사집합 기반의 분할 모델을 제안한다. 미구분 가능성 관계를 활용하여 검색 공간을 분할함으로써, 제안된 근사집합 분할(Rough Set Partitioning, RSP) 알고리즘은 GSP보다 최소 10배 빠른 성능을 달성하면서도 사전 시각화 및 조정 가능한 시간 창 설정 기능을 제공하며, 발견된 패턴에 대한 시간 간격 지식까지 추가로 추출한다.

ABSTRACT

Now a days, data mining and knowledge discovery methods are applied to a variety of enterprise and engineering disciplines to uncover interesting patterns from databases. The study of Sequential patterns is an important data mining problem due to its wide applications to real world time dependent databases. Sequential patterns are inter-event patterns ordered over a time-period associated with specific objects under study. Analysis and discovery of frequent sequential patterns over a predetermined time-period are interesting data mining results, and can aid in decision support in many enterprise applications. The problem of sequential pattern mining poses computational challenges as a long frequent sequence contains enormous number of frequent subsequences. Also useful results depend on the right choice of event window. In this paper, we have studied the problem of sequential pattern mining through two perspectives, one the computational aspect of the problem and the other is incorporation and adjustability of time constraint. We have used Indiscernibility relation from theory of rough sets to partition the search space of sequential patterns and have proposed a novel algorithm that allows previsualization of patterns and allows adjustment of time constraint prior to execution of mining task. The algorithm Rough Set Partitioning is at least ten times faster than the naive time constraint based sequential pattern mining algorithm GSP. Besides this an additional knowledge of time interval of sequential patterns is also determined with the method.

연구 동기 및 목표

• 시간 제약 조건 하에서 기존 순차 패턴 산출 알고리즘의 계산 비효율성을 해결하기 위해.
• 시간 의존 데이터베이스에서 빈번한 순차 패턴을 효율적으로 산출하기 위해.
• 산출 실행 이전에 사전 시각화 및 시간 제약 조건의 동적 조정을 가능하게 하기 위해.
• 빈번한 패턴뿐 아니라 그에 연관된 시간 간격까지 추출하여 의사결정 지원을 향상시키기 위해.

제안 방법

• 근사집합 이론의 미구분 가능성 관계를 활용하여 순차 패턴의 검색 공간을 분할한다.
• 평가 대상 후보 순차 패턴의 수를 줄이는 분할 전략을 적용한다.
• 시간 제약 조건을 효율적으로 처리할 수 있도록 설계된 새로운 알고리즘인 근사집합 분할(Rough Set Partitioning, RSP)을 도입한다.
• 산출 이전에 조정 가능한 시간 창 파라미터를 지원하여 패턴 탐색의 유연성을 확보한다.
• 사용자가 최적의 시간 제약 조건을 선택할 수 있도록 지도하는 사전 시각화 메커니즘을 구현한다.
• 산출 과정의 부산물로 시간 간격 지식 추출을 통합한다.

실험 결과

연구 질문

• RQ1 시간 제약 조건이 있는 순차 패턴 산출의 계산 복잡도는 어떻게 효과적으로 감소시킬 수 있는가?
• RQ2 근사집합 기반의 분할 전략은 순차 패턴 산출 알고리즘의 성능을 향상시킬 수 있는가?
• RQ3 데이터 재처리 없이 산출 이전에 시간 제약 조건을 얼마나 유연하게 조정할 수 있는가?
• RQ4 빈번한 순차 패턴과 함께 유용한 추가 시간 지식은 무엇을 도출할 수 있는가?
• RQ5 제안된 RSP 알고리즘은 GSP와 같은 기존 방법과 비교해 성능 면에서 어떻게 다른가?

주요 결과

• RSP 알고리즘은 시간 제약 조건이 있는 순차 패턴 산출에서 GSP 알고리즘 대비 최소 10배 빠른 실행 속도를 달성한다.
• 근사집합 기반의 분할 전략을 활용함으로써 검색 공간이 크게 감소하여 계산 효율성이 향상된다.
• 산출 시작 이전에 패턴의 사전 시각화 및 시간 제약 조건의 동적 조정을 지원한다.
• 발견된 순차 패턴에 대해 시간 간격 정보를 성공적으로 추출하여 분석적 가치를 높였다.
• 실행 시간을 극적으로 단축시키면서도 높은 정확도를 유지하여 대규모 시간 의존 데이터베이스에 적합하다.
• 시간 제약 조건 조정 가능성과 사전 시각화 기능의 통합은 실생활 의사결정 지원 시스템에서의 사용성 향상에 기여한다.