[論文レビュー] An Optimized Weighted Association Rule Mining On Dynamic Content

P. Velvadivu, Karthik Duraisamy|arXiv (Cornell University)|Apr 20, 2010

Data Mining Algorithms and Applications被引用数 5

ひとこと要約

本稿では、一般化されたHITSアルゴリズムとオンライン固有ベクトル計算を統合することで、動的データベース向けに最適化された重み付き関連ルールマイニング手法を提案する。従来のWARMを拡張し、有向グラフモデルを用いてアイテムに動的重みを割り当て、頻繁なデータ変更が生じる環境でも効率的に順位を更新できることを示し、動的環境下での古典的HITSアルゴリズムに比して優れた効率性を実証した。

ABSTRACT

Association rule mining aims to explore large transaction databases for association rules. Classical Association Rule Mining (ARM) model assumes that all items have the same significance without taking their weight into account. It also ignores the difference between the transactions and importance of each and every itemsets. But, the Weighted Association Rule Mining (WARM) does not work on databases with only binary attributes. It makes use of the importance of each itemset and transaction. WARM requires each item to be given weight to reflect their importance to the user. The weights may correspond to special promotions on some products, or the profitability of different items. This research work first focused on a weight assignment based on a directed graph where nodes denote items and links represent association rules. A generalized version of HITS is applied to the graph to rank the items, where all nodes and links are allowed to have weights. This research then uses enhanced HITS algorithm by developing an online eigenvector calculation method that can compute the results of mutual reinforcement voting in case of frequent updates. For Example in Share Market Shares price may go down or up. So we need to carefully watch the market and our association rule mining has to produce the items that have undergone frequent changes. These are done by estimating the upper bound of perturbation and postponing of the updates whenever possible. Next we prove that enhanced algorithm is more efficient than the original HITS under the context of dynamic data.

研究の動機と目的

• 古典的関連ルールマイニングがアイテムの重要性や取引の重要性を無視するという限界を是正すること。
• 利益率やプロmotionなどの現実世界要因を反映したアイテム重みを組み込んだ重み付き関連ルールマイニングモデルの開発。
• 株式市場のように頻繁に変化する動的データベースにおけるアイテム順位の効率的でインクリメンタルな更新を可能にすること。
• 摂動に基づく更新延期と上限推定を用いて、動的環境下でのHITSアルゴリズムの計算効率を向上させること。

提案手法

• アイテムと関連ルールを重み付き有向グラフとしてモデル化し、ノードがアイテムを表し、エッジがルールの関係を表す。
• 重み付きノードとエッジをサポートする一般化されたHITSアルゴリズムを適用し、アイテムの重要度スコアを計算する。
• 各更新後に完全な再計算を回避するオンライン固有ベクトル計算手法を導入する。
• 固有ベクトルの変化における摂動の上限を推定し、不要な更新を遅らせる。
• 摂動が許容範囲内に収まっている間は更新を延期することで、動的データストリームにおける効率性を向上させる。
• 反復的計算による相互強化投票を用いて、正確で最新のアイテム順位を維持する。

実験結果

リサーチクエスチョン

• RQ1 頻繁な更新が生じる動的データベース向けに、重み付き関連ルールマイニングをどのように最適化できるか。
• RQ2 利益率やプロmotionなどのアイテム重みが、ルールマイニングの正確性と関連性に与える影響は何か。
• RQ3 インクリメンタル固有ベクトル計算は、動的環境下でのHITSの効率性を向上させられるか。
• RQ4 摂動バウンドをどのように活用することで、オンラインルールマイニングにおける不要な再計算を最小限に抑えられるか。
• RQ5 動的データシナリオにおいて、強化HITSアルゴリズムは古典的HITSに比べてどの程度のパフォーマンス向上を達成できるか。

主な発見

• 提案された強化HITSアルゴリズムは、不要な更新サイクルを削減することで、動的データ環境下で元のHITSよりも高い効率性を達成した。
• 摂動に基づく上限推定は、順位の正確性に顕著な損失を生じさせることなく、更新を延期できる状況を的確に特定した。
• オンライン固有ベクトル計算により、データ変更に即応するリアルタイムな応答性を維持しながら、計算負荷を最小限に抑えることが可能になった。
• 重み付き有向グラフの統合により、ビジネス的・市場的関連性に基づいたより正確で文脈に即したアイテム順位付けが可能になった。
• 本手法は、株価変動のような動的データを効果的に処理でき、タイムリーで関連性の高い関連ルールを維持した。
• 実験的結果から、最適化されたアプローチが、更新頻度と計算コストの両面で標準HITSを上回ることが確認された。