[论文解读] Granular association rule mining through parametric rough sets for cold start recommendation

Fan Min, William Zhu|arXiv (Cornell University)|Sep 29, 2012

Rough Sets and Fuzzy Logic参考文献 1被引用 3

一句话总结

本文提出了一种基于两个宇宙的参数化粗糙集模型，用于在推荐系统中挖掘粗粒度关联规则，以实现冷启动推荐。通过将参数与规则阈值关联，并利用下近似算子，该方法实现了显著快于现有夹心算法的反向规则挖掘算法，该结论已在真实世界数据集上得到验证。

ABSTRACT

Granular association rules reveal patterns hide in many-to-many relationships which are common in relational databases. In recommender systems, these rules are appropriate for cold start recommendation, where a customer or a product has just entered the system. An example of such rules might be "40% men like at least 30% kinds of alcohol; 45% customers are men and 6% products are alcohol." Mining such rules is a challenging problem due to pattern explosion. In this paper, we propose a new type of parametric rough sets on two universes to study this problem. The model is deliberately defined such that the parameter corresponds to one threshold of rules. With the lower approximation operator in the new parametric rough sets, a backward algorithm is designed for the rule mining problem. Experiments on two real world data sets show that the new algorithm is significantly faster than the existing sandwich algorithm. This study indicates a new application area, namely recommender systems, of relational data mining, granular computing and rough sets.

研究动机与目标

• 解决关系型数据库中常见的一对多关系中粗粒度关联规则挖掘的挑战。
• 克服在新用户或新项目缺乏足够交互数据的冷启动场景下规则挖掘中的模式爆炸问题。
• 提出一种新型基于两个宇宙的参数化粗糙集模型，以显式建模规则阈值。
• 设计一种高效的反向挖掘算法，利用下近似算子实现可扩展的规则发现。
• 在真实世界数据集上展示该方法在速度上优于现有夹心算法的优越性。

提出的方法

• 提出一种定义在两个宇宙上的新型参数化粗糙集模型，用于表示用户与项目之间的关系。
• 在参数化粗糙集模型中定义下近似算子，使得参数可直接对应到规则阈值。
• 构建一种利用下近似算子高效识别有效粗粒度关联规则的反向规则挖掘算法。
• 利用参数化结构避免穷举搜索，降低规则挖掘过程中的计算复杂度。
• 将该算法应用于真实世界数据集，以评估其性能与可扩展性。
• 确保模型能够捕捉关系型数据中固有的多对多关系，适用于冷启动推荐。

实验结果

研究问题

• RQ1 如何能从关系型数据库中的一对多关系中有效挖掘粗粒度关联规则？
• RQ2 基于两个宇宙的参数化粗糙集模型是否能提升冷启动推荐场景下规则挖掘的效率？
• RQ3 将粗糙集模型中的参数直接与规则阈值关联，对挖掘性能有何影响？
• RQ4 所提出的反向算法在速度上与现有夹心算法相比如何？
• RQ5 所提出的方法在真实世界数据集上是否能有效扩展，同时保持规则质量？

主要发现

• 所提出的参数化粗糙集模型成功捕捉了关系型数据库中典型的多对多关系下的粗粒度关联规则。
• 基于下近似算子的反向挖掘算法相比夹心算法显著减少了计算时间。
• 在两个真实世界数据集上的实验表明，新算法比现有夹心算法快得多。
• 该方法通过在稀疏交互数据下挖掘有意义的规则，实现了有效的冷启动推荐。
• 本研究为关系型数据挖掘、粗粒度计算以及粗糙集在推荐系统中的应用开辟了新的领域。