[论文解读] A Model for Mining Multilevel Fuzzy Association Rule in Database

Pratima Gautam, Neelu Khare+1 more|arXiv (Cornell University)|Jan 20, 2010

Data Mining Algorithms and Applications参考文献 15被引用 11

一句话总结

本文提出了一种多级模糊关联规则挖掘模型，使用模糊边界而非精确区间来处理事务数据库中的不确定性。该模型采用自顶向下的、逐步加深的方法，在多个层级上以不同的最小支持度发现大规模项集，从而以结构化且高效的方式提取有意义的多级模糊关联规则。

ABSTRACT

The problem of developing models and algorithms for multilevel association mining pose for new challenges for mathematics and computer science. These problems become more challenging, when some form of uncertainty like fuzziness is present in data or relationships in data. This paper proposes a multilevel fuzzy association rule mining models for extracting knowledge implicit in transactions database with different support at each level. The proposed algorithm adopts a top-down progressively deepening approach to derive large itemsets. This approach incorporates fuzzy boundaries instead of sharp boundary intervals. An example is also given to demonstrate that the proposed mining algorithm can derive the multiple-level association rules under different supports in a simple and effective manner.

研究动机与目标

• 解决由于数据或关系的模糊性导致数据库中关联规则挖掘的挑战。
• 开发一种可扩展的模型，能够处理事务数据库中的多级抽象。
• 在概念层次的不同层级上支持不同的最小支持阈值。
• 采用模糊边界而非严格区间，以实现更真实的数据显示。
• 通过一个实际示例，展示在不同支持度下多级规则的有效性。

提出的方法

• 该算法采用自顶向下的、逐步加深的策略，在概念层次的多个层级上挖掘大规模项集。
• 将模糊边界应用于项的取值，而非精确区间，从而实现类别之间的渐变过渡。
• 在每个层级上独立定义支持阈值，以实现灵活且真实的规则生成。
• 通过基于预定义隶属函数将值映射到模糊集合来处理事务。
• 通过从较高抽象层级向较低层级扩展频繁项集，迭代生成大规模项集。
• 最终输出包含关联规则的置信度和支持度值的多级模糊关联规则。

实验结果

研究问题

• RQ1 如何有效将模糊边界整合到多级关联规则挖掘中以处理不确定性？
• RQ2 在支持度阈值不同的多层级上，如何实现可扩展且高效的大型项集挖掘方法？
• RQ3 自顶向下的、逐步加深的策略是否能提升有意义的多级模糊规则的发现？
• RQ4 模糊集合如何增强事务数据库中关联规则的表达能力？
• RQ5 在不同支持约束下，所提出的模型在多大程度上能提取出有用且可解释的规则？

主要发现

• 所提出的模型成功生成了在每个层级上具有不同支持阈值的多级模糊关联规则。
• 使用模糊边界相比精确区间，能更自然地对模糊或连续数据进行建模。
• 自顶向下的、逐步加深的方法能够高效探索多层级上的项集格。
• 通过一个支持度变化的详细示例，算法展示了在提取有意义规则方面的有效性。
• 该模型通过在不同抽象层级上允许不同的最小支持值，支持灵活的规则发现。
• 该方法为具有固有不确定性的数据库中的知识发现提供了一个结构化框架。