[논문 리뷰] Mining Multi-Level Frequent Itemsets under Constraints

Mohamed Salah Gouider, Amine Farhat|arXiv (Cornell University)|2010. 12. 26.

Data Mining Algorithms and Applications참고 문헌 12인용 수 5

한 줄 요약

이 논문은 개념 계층 구조를 활용하여 다수준 빈도 항목집합을 추출하기 위한 제약 기반 접근법을 제안한다. 사용자 정의 제약 조건을 통합하여 관련성과 효율성을 향상시킨다. 기본, 테스트 및 생성, 그리고 잘라내기 기반의 세 가지 방법을 제안하며, 제약 조건을 고려한 잘라내기가 검색 공간을 크게 줄이며 다양한 추상 수준에서 의미 있고 해석 가능한 항목집합을 유지하는 데 효과적임을 입증한다.

ABSTRACT

Mining association rules is a task of data mining, which extracts knowledge in the form of significant implication relation of useful items (objects) from a database. Mining multilevel association rules uses concept hierarchies, also called taxonomies and defined as relations of type 'is-a' between objects, to extract rules that items belong to different levels of abstraction. These rules are more useful, more refined and more interpretable by the user. Several algorithms have been proposed in the literature to discover the multilevel association rules. In this article, we are interested in the problem of discovering multi-level frequent itemsets under constraints, involving the user in the research process. We proposed a technique for modeling and interpretation of constraints in a context of use of concept hierarchies. Three approaches for discovering multi-level frequent itemsets under constraints were proposed and discussed: Basic approach, "Test and Generate" approach and Pruning based Approach.

연구 동기 및 목표

• 개념 계층을 활용하여 대규모 데이터베이스에서 의미 있는 다수준 연관 규칙를 추출하는 데 도전하는 것.
• 발견 과정을 더 관련성 있고 해석 가능한 항목집합으로 이끌기 위해 사용자 지정 제약 조건을 마이닝 과정에 통합하는 것.
• 제약 조건 기반 잘라내기 전략을 도입하여 다수준 빈도 항목집합 마이닝의 계산 오버헤드를 줄이는 것.
• 사용자 제약 조건이 계층적 항목 관계 탐색 방식에 영향을 주도록 하여 데이터 마이닝의 사용자 상호작용을 향상시키는 것.

제안 방법

• 항목 간 '소속 관계'를 표현하기 위해 개념 계층 구조(분류 체계)와 통합된 형식적 프레임워크를 사용하여 제약 조건을 모델링하는 것.
• 모든 수준에서 후보 항목집합을 생성하고, 이후에 제약 조건을 적용하는 기본 방법을 제안하는 것.
• 후보 생성 과정에서 제약 조건을 평가하여 불필요한 확장을 방지하는 '테스트 및 생성' 방법을 개발하는 것.
• 제약 조건 조건을 활용하여 초기 단계에서 희망이 적은 후보 항목집합을 조기에 제거하는 잘라내기 기반 방법을 구현하는 것.
• 구체적에서 일반적인 수준까지의 다양한 추상 수준에서 항목집합을 탐색하기 위해 개념 계층 구조의 순회를 활용하는 것.
• 지정된 지지도 및 제약 조건 임계값을 적용하여 유저가 지정한 기준을 충족하는 항목집합만 유지하는 것.

실험 결과

연구 질문

• RQ1 사용자 정의 제약 조건는 다수준 빈도 항목집합 마이닝에 효과적으로 모델링되고 통합될 수 있는가?
• RQ2 모든 후보를 생성하는 것과 제약 조건을 생성 과정 중에 적용하는 것 사이의 성능적 트레이드오프는 무엇인가?
• RQ3 제약 조건 기반 잘라내기는 다수준 빈도 항목집합 마이닝에서 검색 공간을 얼마나 줄일 수 있는가?
• RQ4 다양한 제약 조건 통합 전략은 결과 항목집합의 해석 가능성과 관련성에 어떤 영향을 미치는가?
• RQ5 제안된 방법들은 다수준, 제약 조건 기반 마이닝에서 정확성을 유지하면서도 효율적으로 확장 가능한가?

주요 결과

• 잘라내기 기반 방법은 기본 방법과 테스트 및 생성 방법에 비해 생성되는 후보 항목집합의 수를 크게 줄여 효율성을 향상시킨다.
• 제약 조건 통합은 의미 있는 조합에 초점을 맞추어 더 해석 가능하고 사용자에게 관련성이 높은 항목집합을 도출한다.
• 테스트 및 생성 방법은 후보 확장 과정에서 제약 조건를 검증함으로써 계산 비용과 결과 품질 사이의 균형을 잘 유지한다.
• 개념 계층 구조의 사용은 특정 항목집합 패턴과 일반적인 패턴 패턴을 모두 발견할 수 있게 하여 결과의 해석 가능성을 향상시킨다.
• 실증 평가 결과, 제약 조건 기반 마이닝은 의미 있는 규칙 발견을 희생시키지 않은 채 중복된 항목집합 생성을 줄였다.
• 제안된 프레임워크는 사용자 상호작용의 유연성을 지원하여 마이닝 과정 중 제약 조건을 동적으로 조정할 수 있도록 한다.