[论文解读] A scalable mining of frequent quadratic concepts in d-folksonomies

Mohamed Nader Jelassi, Sadok Ben Yahia+1 more|arXiv (Cornell University)|Dec 1, 2012

Rough Sets and Fuzzy Logic参考文献 7被引用 7

一句话总结

本文提出QuadriCons，一种可扩展的算法，通过将形式概念分析（FCA）扩展至时间维度，实现对d-folksonomies中频繁四概念（quadri-concepts）的挖掘，从而发现用户、标签、资源和时间戳的序列性四维模式。该方法引入一种新型闭包算子，通过四最小生成元（quadri-minimal generators）减少搜索空间，实现在MovieLens和Last.fm等大规模真实数据集上的高性能表现。

ABSTRACT

Folksonomy mining is grasping the interest of web 2.0 community since it represents the core data of social resource sharing systems. However, a scrutiny of the related works interested in mining folksonomies unveils that the time stamp dimension has not been considered. For example, the wealthy number of works dedicated to mining tri-concepts from folksonomies did not take into account time dimension. In this paper, we will consider a folksonomy commonly composed of triples and we shall consider the time as a new dimension. We motivate our approach by highlighting the battery of potential applications. Then, we present the foundations for mining quadri-concepts, provide a formal definition of the problem and introduce a new efficient algorithm, called QUADRICONS for its solution to allow for mining folksonomies in time, i.e., d-folksonomies. We also introduce a new closure operator that splits the induced search space into equivalence classes whose smallest elements are the quadri-minimal generators. Carried out experiments on large-scale real-world datasets highlight good performances of our algorithm.

研究动机与目标

• 通过引入时间维度填补folksonomy挖掘中的空白，这对于检测用户行为演化与新兴趋势至关重要。
• 正式定义在d-folksonomies中挖掘所有频繁四概念的问题，将三支概念分析扩展至四维空间。
• 设计一种高效算法QuadriCons，从大规模d-folksonomy数据集中提取频繁四概念。
• 提出一种新的闭包算子，将搜索空间划分为等价类，以四最小生成元作为其最小代表，实现搜索优化。
• 通过在真实世界数据集上的广泛实验，证明QuadriCons的可扩展性与高效性，显示其在执行时间与内存使用方面优于现有工具。

提出的方法

• 将形式概念分析（FCA）与三支概念分析（TCA）扩展，用于建模用户、标签、资源与时间的四维数据结构，表示为d-folksonomy。
• 定义四元关系（quadratic context）为用户、标签、资源与时间的四元关系，设定支持度阈值以识别频繁四概念。
• 引入一种新的闭包算子，将四维的子集映射至其最小生成元，形成搜索空间中的等价类。
• 基于TriCons框架设计QuadriCons算法，利用闭包算子高效遍历并生成所有频繁四概念。
• 使用四最小生成元（QGs）作为等价类的规范代表，避免冗余计算，加速挖掘过程。
• 实现受TriCons中扫描线技术启发的优化策略，并将其适配至四维场景，提升大规模数据集上的性能表现。

实验结果

研究问题

• RQ1 如何有效整合时间维度至folksonomy挖掘中，以捕捉用户标签行为的演化与新兴趋势？
• RQ2 在d-folksonomy中，频繁四概念的正式定义是什么？其在大规模数据上如何高效计算？
• RQ3 如何将闭包算子推广至四维情形，以划分搜索空间并借助最小生成元实现高效挖掘？
• RQ4 与现有工具如Data-Peeler相比，所提出的QuadriCons算法在执行时间、内存使用与概念压缩性方面实现了多大性能提升？
• RQ5 在真实folksonomy数据中，频繁四概念相较于频繁四集合，在多大程度上提供了更紧凑且更具信息量的表示？

主要发现

• 在所有测试数据集与最小支持度阈值下，QuadriCons在执行时间与内存消耗方面显著优于Data-Peeler。
• 在MovieLens数据集上，当minsupp_u=2、minsupp_t=1、minsupp_r=1、minsupp_d=1时，QuadriCons在48.92秒内处理了95,580组三元组，消耗16,556 KB内存，而Data-Peeler耗时5,965.94秒，内存使用达2,098,452 KB。
• 在Last.fm数据集上，相同阈值下，QuadriCons在88.16秒内处理了186,479组三元组，内存使用18,976 KB，而Data-Peeler耗时3,118.85秒，内存使用2,188,452 KB。
• 在Last.fm数据集上，频繁四概念的数量最多仅为频繁四集合的28.99%，表明四概念能提供高度紧凑的数据表示。
• 随着四元组数量的增加，压缩比持续上升，表明随着模式复杂度与规模的提升，四概念的表达效率愈发显著。
• 该算法展现出强大的可扩展性，执行时间与内存使用随数据集规模增长呈次线性趋势，且在不同支持度阈值下表现稳定。