[논문 리뷰] Relational Association Rules: getting WARMeR

Bart Goethals, Jan Van den Bussche|ArXiv.org|2002. 06. 15.

Data Mining Algorithms and Applications참고 문헌 12인용 수 7

한 줄 요약

이 논문은 연관 규칙 마이닝을 조건부 쿼리(pattern)로 사용하는 일반적인 관계형 데이터베이스로 확장하는 방법을 제안한다. 이는 Warmr 알고리즘을 일반화한 것으로, 레벨별 알고리즘을 통해 빈도가 높은 조건부 쿼리를 마이닝하고 신뢰도 높은 연관 규칙를 생성한다. 쿼리 포함성 및 동치성 테스트의 과제를 다루며, 정제 및 구조적 제약 조건을 통해 효율성을 유지한다.

ABSTRACT

In recent years, the problem of association rule mining in transactional data has been well studied. We propose to extend the discovery of classical association rules to the discovery of association rules of conjunctive queries in arbitrary relational data, inspired by the WARMR algorithm, developed by Dehaspe and Toivonen, that discovers association rules over a limited set of conjunctive queries. Conjunctive query evaluation in relational databases is well understood, but still poses some great challenges when approached from a discovery viewpoint in which patterns are generated and evaluated with respect to some well defined search space and pruning operators.

연구 동기 및 목표

• 기존 연관 규칙 마이닝이 거래 데이터에 국한되어 있다는 한계를 해결하기 위해, 이를 일반적인 관계형 데이터베이스로 확장한다.
• 관계형 데이터베이스에서 조건부 쿼리에 대한 연관 규칙 탐색을 체계화한다. 여기서 패턴은 쿼리이며, 지원도수(support)는 주어진 데이터베이스 인스턴스에서 쿼리의 해답 튜플의 수이다.
• 패턴 생성 과정에서 쿼리 포함성 및 동치성 테스트의 과제를 극복하여 효율적이고 정확한 마이닝을 보장한다.
• Warmr 알고리즘을 원래 범위를 초월하는 더 넓은 종류의 조건부 쿼리 지원을 위해 일반화한다.
• 정제 기반의 이중 단계 레벨별 접근 방식을 통해 효율적인 마이닝을 실현하며, 데이터 무결성을 유지하고 중복 계산을 최소화한다.

제안 방법

• Apriori와 Warmr를 영감으로 삼은 이중 단계 레벨별 마이닝 아키텍처를 채택한다. 먼저 모든 빈도가 높은 조건부 쿼리를 발견하고, 그 다음에 그것들로부터 연관 규칙을 생성한다.
• 조건부 쿼리를 헤드(출력 변수)와 바디(원자 공식의 집합)로 정의하며, 지원도수를 주어진 데이터베이스 인스턴스에서 쿼리의 해답의 기수로 정의한다.
• 합성, 투영, 선택, 변수 이름 변경의 네 가지 전문화 연산을 사용하여 후보 쿼리를 체계적이고 단계적으로 생성한다.
• 포함성 및 동치성 기반 정제를 적용한다: 만약 한 쿼리가 다른 쿼리에 포함되어 있다면, 상위 쿼리가 빈도가 높지 않다면 그 쿼리는 고려하지 않는다.
• 특히 구조적으로 유사하지만 문법적으로 다른 쿼리들 사이에서 중복 계산을 방지하기 위해 동치성 테스트를 수행한다.
• 후보 생성 및 지원도수 계산 과정에서 동치 쿼리들이 동일하게 취급되도록 쿼리의 표준형을 사용한다.

실험 결과

연구 질문

• RQ1 조건부 쿼리를 패턴으로 사용함으로써, 거래 데이터에서 일반적인 관계형 데이터베이스로 연관 규칙 마이닝을 어떻게 일반화할 수 있는가?
• RQ2 특히 쿼리 포함성 및 동치성 테스트 측면에서, 조건부 쿼리를 마이닝하기 위한 후보 생성 및 평가 과정에서 발생하는 알고리즘적 과제는 무엇인가?
• RQ3 레벨별 마이닝 프레임워크는 조건부 쿼리와 함께 효율적으로 작동하도록 어떻게 적응시킬 수 있는가? 정확성과 성능을 유지하면서 말이다.
• RQ4 포함성 및 동치성 기반의 정제 전략은 조건부 쿼리 마이닝에서 검색 공간을 어떻게 효과적으로 줄일 수 있는가?
• RQ5 어떤 종류의 조건부 쿼리가 효율적인 후보 생성과 동치성 테스트를 가능하게 하여 확장 가능한 마이닝을 실현할 수 있는가?

주요 결과

• 제안된 알고리즘은 일반적인 관계형 데이터베이스에서 더 넓은 종류의 조건부 쿼리를 지원하는 데 성공적으로 Warmr 프레임워크를 일반화하여, 복잡한 구조적 패턴의 마이닝을 가능하게 한다.
• 레벨별 접근 방식은 빈도가 높을 수 있는 쿼리들만 생성함으로써 검색 공간을 줄이며, 포함성 및 동치성 정제를 통해 효율성을 확보한다.
• 지원도수를 조건부 쿼리의 해답에 포함된 고유 튜플의 수로 정의함으로써, 관계형 데이터에서 패턴 빈도의 체계적인 측정 기준을 제공한다.
• 메서드는 $Q_{7}'' \Rightarrow Q_{7}'''$ 와 같이 100% 신뢰도를 가지는 조건부 쿼리에서 연관 규칙를 생성할 수 있음을 보여주며, 이는 패턴 간 강력한 종속성을 시사한다.
• 동치성 테스트는 야수형 쿼리 및 트리 구조 쿼리와 같은 부분집합에 대해 실현 가능하고 효율적이며, 실질적인 확장 가능한 마이닝을 가능하게 한다.
• 이 프레임워크는 의미적으로 유의미한 쿼리 패턴에 집중하기 위해 탄력적인 제약 조건 통합을 허용하여 관련성 향상과 계산 오버헤드 감소를 실현한다.