[논문 리뷰] Granular association rule mining through parametric rough sets for cold start recommendation

Fan Min, William Zhu|arXiv (Cornell University)|2012. 09. 29.

Rough Sets and Fuzzy Logic참고 문헌 1인용 수 3

한 줄 요약

이 논문은 추천 시스템에서 콜드 스타트 추천을 위한 균량 연관 규칙을 채굴하기 위해 두 개의 유니버스에 기반한 매개수형 흐린 집합 모델을 제안한다. 규칙 임계값과 매개수를 연결하고 하한 근사 연산자를 사용하여 기존 샌드위치 알고리즘보다 훨씬 빠른 역방향 규칙 채굴 알고리즘을 가능하게 하며, 실제 데이터셋을 통한 검증을 통해 이를 입증한다.

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.

연구 동기 및 목표

• 관계형 데이터베이스에서 흔히 발생하는 다대다 관계에서 균량 연관 규칙을 채굴하는 데 도전하는 것.
• 새로운 사용자나 항목이 상호작용 데이터가 부족한 콜드 스타트 시나리오에서 규칙 채굴 시 패턴 폭발 문제를 해결하는 것.
• 규칙 임계값을 명시적으로 모델링하기 위해 두 개의 유니버스에 기반한 새로운 매개수형 흐린 집합 모델을 개발하는 것.
• 하한 근사 연산자를 활용하여 효율적인 역방향 채굴 알고리즘을 설계하여 확장 가능한 규칙 탐색을 가능하게 하는 것.
• 실제 데이터셋에서 기존 샌드위치 알고리즘에 비해 성능 면에서 우수함을 입증하는 것.

제안 방법

• 사용자와 항목 간의 관계를 표현하기 위해 두 개의 유니버스에 정의된 새로운 매개수형 흐린 집합 모델을 제안하는 것.
• 매개수형 흐린 집합 모델에서 하한 근사 연산자를 정의하여 매개수가 직접적으로 규칙 임계값과 대응되도록 하는 것.
• 하한 근사를 사용하여 유효한 균량 연관 규칙를 효율적으로 식별하는 역방향 규칙 채굴 알고리즘을 구축하는 것.
• 매개수 구조를 활용하여 포괄적인 검색을 피하고 규칙 채굴 중 계산 복잡도를 감소시키는 것.
• 성능 및 확장성 평가를 위해 알고리즘을 실제 데이터셋에 적용하는 것.
• 관계형 데이터에 내재된 다대다 관계를 모델링할 수 있도록 모델을 보장하는 것. 이는 콜드 스타트 추천에 적합하다.

실험 결과

연구 질문

• RQ1 어떻게 관계형 데이터베이스의 다대다 관계에서 균량 연관 규칙를 효과적으로 채굴할 수 있는가?
• RQ2 두 개의 유니버스에 기반한 매개수형 흐린 집합 모델이 콜드 스타트 추천 시나리오에서 규칙 채굴의 효율성을 향상시킬 수 있는가?
• RQ3 흐린 집합 모델의 매개수를 직접적으로 규칙 임계값과 연결함으로써 채굴 성능에 어떤 영향을 미치는가?
• RQ4 제안된 역방향 알고리즘이 기존 샌드위치 알고리즘에 비해 규칙 채굴 속도에서 어떻게 비교되는가?
• RQ5 제안된 방법은 규칙 품질을 유지하면서 실제 데이터셋에서 효과적으로 확장 가능한가?

주요 결과

• 제안된 매개수형 흐린 집합 모델은 관계형 데이터베이스에서 흔히 발생하는 다대다 관계에서 균량 연관 규칙를 성공적으로 캡처한다.
• 하한 근사 연산자를 기반으로 한 역방향 채굴 알고리즘은 샌드위치 알고리즘에 비해 계산 시간을 크게 감소시킨다.
• 두 개의 실제 데이터셋에서 수행된 실험을 통해 새로운 알고리즘이 기존 샌드위치 알고리즘보다 상당히 빠른 것으로 확인되었다.
• 희소한 상호작용 데이터가 있는 상황에서도 의미 있는 규칙을 채굴함으로써 효과적인 콜드 스타트 추천을 가능하게 한다.
• 본 연구는 관계형 데이터 마이닝, 균량 계산, 그리고 흐린 집합의 새로운 적용 분야를 확립한다.