[论文解读] Discovering Knowledge using a Constraint-based Language

Patrice Boizumault, Bruno Crémilleux+3 more|arXiv (Cornell University)|Jul 18, 2011

Data Mining Algorithms and Applications参考文献 17被引用 3

一句话总结

本文提出一种声明式、基于约束的语言，用于在数据挖掘中发现全局模式及模式集，使分析人员能够通过高层约束表达复杂的聚类与关联模式。通过将约束编程与模式挖掘相结合，该方法支持灵活、可重用的查询，动态优化结果——在软聚类和共聚类等聚类变体中得到验证，显著提升模式的相关性与非冗余性，同时实现最小的实现开销。

ABSTRACT

Discovering pattern sets or global patterns is an attractive issue from the pattern mining community in order to provide useful information. By combining local patterns satisfying a joint meaning, this approach produces patterns of higher level and thus more useful for the data analyst than the usual local patterns, while reducing the number of patterns. In parallel, recent works investigating relationships between data mining and constraint programming (CP) show that the CP paradigm is a nice framework to model and mine such patterns in a declarative and generic way. We present a constraint-based language which enables us to define queries addressing patterns sets and global patterns. The usefulness of such a declarative approach is highlighted by several examples coming from the clustering based on associations. This language has been implemented in the CP framework.

研究动机与目标

• 解决传统局部模式挖掘中存在的冗余过多与洞察碎片化问题。
• 提供一种通用的声明式框架，通过整合多个局部模式来发现更高层级的全局模式。
• 使数据分析师能够通过约束逻辑轻松地细化查询，并探索多种聚类模型（如软聚类、共聚类）。
• 通过提供统一、可扩展的建模语言，减少为每种新型模式类型开发定制算法的需求。
• 通过约束驱动的精炼与优化，提升挖掘模式的相关性与可解释性。

提出的方法

• 该方法基于术语（常量、变量、函数、运算符）构建基于约束的语言，以声明式方式表达模式查询。
• 关键约束包括频率、闭包性、事务与项目覆盖度、事务/项目间重叠限制，以及用于打破对称性的规范排序。
• 查询被表述为约束的逻辑合取，支持模块化与可组合的挖掘任务规范。
• 该框架利用现有的约束编程（CP）求解器，高效搜索满足所有指定约束的解。
• 该语言支持增量式查询精炼——例如添加重叠或大小约束——以探索不同的聚类语义。
• 该方法在基于关联的聚类任务中得到验证，通过修改约束，将查询适配至软聚类、共聚类及软共聚类。

实验结果

研究问题

• RQ1 如何通过声明式、基于约束的语言，简化从局部模式中发现全局模式的过程？
• RQ2 约束编程能否以通用方式有效建模并求解复杂的聚类任务（如软聚类与共聚类）？
• RQ3 在约束语言中，查询精炼在多大程度上可减少冗余并提升挖掘模式的可解释性？
• RQ4 领域特定约束（如重叠限制、覆盖度）的集成在多大程度上提升了聚类结果的质量？
• RQ5 该框架是否可扩展以支持新数据挖掘任务，而无需重写底层算法？

主要发现

• 基于约束的语言可通过简单、增量式的查询精炼，支持复杂聚类任务（如软聚类与共聚类）的指定。
• 对于软聚类查询（Q4），当 k=3 且 δT=1 时，初始发现 13 个解，经过滤非频繁模式后减少至 8 个，再经过滤小模式后仅剩 1 个。
• 过滤后唯一剩余的解（s′9）与原始硬聚类问题的解完全一致，验证了该方法的正确性与一致性。
• 规范约束将对称解的数量从 78 个减少至 13 个，证明其在打破对称性方面的有效性。
• 该框架成功为共聚类（Q5）与软共聚类（Q6）生成了不同的聚类结果，展示了其在不同聚类语义下的灵活性。
• 该方法通过声明式约束规范，显著降低了实现开销，实现了对多种聚类模型的快速探索。