[论文解读] An Algorithm for Mining Multidimensional Fuzzy Association Rules

Neelu Khare, Neeru Adlakha+1 more|ArXiv.org|Sep 28, 2009

Data Mining Algorithms and Applications参考文献 14被引用 15

一句话总结

本文提出了一种新颖的算法，通过将模糊集理论与Apriori原则相结合，以处理关系数据库中多属性关系的多维模糊关联规则挖掘。通过在模糊集层面划分维度并应用反单调性来剪枝候选项集，该方法能高效发现跨异构属性的有意义、高置信度规则，从而在不确定或连续数据环境中提升规则的相关性。

ABSTRACT

Multidimensional association rule mining searches for interesting relationship among the values from different dimensions or attributes in a relational database. In this method the correlation is among set of dimensions i.e., the items forming a rule come from different dimensions. Therefore each dimension should be partitioned at the fuzzy set level. This paper proposes a new algorithm for generating multidimensional association rules by utilizing fuzzy sets. A database consisting of fuzzy transactions, the Apriory property is employed to prune the useless candidates, itemsets.

研究动机与目标

• 解决在关系数据库中发现多个异构维度之间有意义关联的挑战。
• 通过使用模糊集而非精确划分来建模属性值，以处理不确定性和连续数据。
• 将传统的关联规则挖掘扩展到项集来自不同维度的多维场景。
• 通过应用Apriori性质剪枝模糊事务数据库中的候选项集，提升效率和规则质量。
• 为现实世界数据库中挖掘高置信度、多维模糊关联规则提供可扩展的框架。

提出的方法

• 使用预定义的隶属函数对每个维度的属性值进行模糊化处理，以表示语言术语（例如，'高'、'中'、'低'）。
• 构建模糊事务，其中每个事务包含从模糊属性值派生出的模糊项集。
• 应用具有反单调性性质的Apriori算法，从模糊事务中生成频繁项集。
• 通过组合来自不同维度的项集生成多维模糊关联规则，确保满足最小支持度和置信度阈值。
• 使用模糊集运算（例如，交集、并集）评估组合项集中成员程度。
• 利用向下封闭性质剪枝候选项集，以减少搜索空间并提高计算效率。

实验结果

研究问题

• RQ1 如何有效将模糊集理论整合到多维关联规则挖掘中，以处理连续和不确定数据？
• RQ2 模糊划分对跨多个维度发现有意义、高置信度关联规则有何影响？
• RQ3 Apriori原则能否被适配以高效挖掘多维数据库中的频繁模糊项集？
• RQ4 与传统的清晰多维关联规则挖掘相比，所提出的算法在性能和规则质量方面表现如何？
• RQ5 在现实世界的关系数据库中，高质量多维模糊关联规则的关键特征是什么？

主要发现

• 所提出的算法通过使用模糊集建模属性值，成功生成多维模糊关联规则，从而能够在连续和不精确数据中发现模式。
• 将Apriori性质与模糊事务数据库结合，显著减少了候选项集的数量，提升了计算效率。
• 对维度进行模糊划分可实现对语言术语更自然的表示，并减少数据离散化带来的损失。
• 通过捕捉不同维度（如客户数据库中的'年龄'和'收入'）之间的相关性，该方法实现了更高的规则相关性。
• 该算法在现实世界关系数据库中挖掘高置信度规则方面表现出可行性与可扩展性，且预处理需求极低。
• 研究证实，在涉及连续或主观属性值的场景中，模糊关联规则优于清晰规则。