[论文解读] Granular association rules on two universes with four measures

Fan Min|arXiv (Cornell University)|Sep 25, 2012

Rough Sets and Fuzzy Logic参考文献 43被引用 9

一句话总结

本文通过四种语义度量——源覆盖度、目标覆盖度、源置信度和目标置信度——在两个宇宙间引入粒度关联规则，相较于传统支持度与置信度，提供了更丰富、更细致的模式发现。该方法支持高级冷启动推荐，并通过子类型特异性算法实现2–3个数量级的速度提升，进一步利用前向/后向算法对一种子类型进行优化。

ABSTRACT

Relational association rules reveal patterns hide in multiple tables. Existing rules are usually evaluated through two measures, namely support and confidence. However, these two measures may not be enough to describe the strength of a rule. In this paper, we introduce granular association rules with four measures to reveal connections between granules in two universes, and propose three algorithms for rule mining. An example of such a rule might be "40% men like at least 30% kinds of alcohol; 45% customers are men and 6% products are alcohol." Here 45%, 6%, 40%, and 30% are the source coverage, the target coverage, the source confidence, and the target confidence, respectively. With these measures, our rules are semantically richer than existing ones. Three subtypes of rules are obtained through considering special requirements on the source/target confidence. Then we define a rule mining problem, and design a sandwich algorithm with different rule checking approaches for different subtypes. Experiments on a real world dataset show that the approaches dedicated to three subtypes are 2-3 orders of magnitudes faster than the one for the general case. A forward algorithm and a backward algorithm for one particular subtype can speed up the mining process further. This work opens a new research trend concerning relational association rule mining, granular computing and rough sets.

研究动机与目标

• 解决传统关联规则在多关系数据库中仅依赖支持度与置信度所导致的语义局限性。
• 在两个数据宇宙（如用户与产品）之间的多对多关系中实现更具表现力的模式发现。
• 为基于源/目标置信度阈值定义的规则子类型开发高效的挖掘算法，尤其在置信度达到100%时。
• 连接粒度计算、关系关联规则挖掘与推荐系统，特别针对涉及新用户与新项目的冷启动场景。
• 为可扩展、语义丰富的规则挖掘建立基础，适用于具有复杂关系的真实世界数据集。

提出的方法

• 定义四种度量：源覆盖度（源粒度的占比）、目标覆盖度（目标粒度的占比）、源置信度（与目标匹配的源粒度实例占比）、目标置信度（与源匹配的目标粒度实例占比）。
• 将粒度关联规则形式化为连接两个宇宙中粒度的陈述，由于同时具备双重置信度与覆盖度度量，其语义丰富程度超过标准关联规则。
• 根据源置信度、目标置信度或两者是否为100%引入三种规则挖掘子类型，以实现专门化优化。
• 提出一种“三明治算法”，根据不同子类型应用不同的规则检查策略，相较于通用情况的穷举挖掘，显著提升效率。
• 为完全匹配子类型（源与目标置信度均为100%）设计前向与后向算法，利用粗糙集近似实现更快计算。
• 利用Apriori性质与基于粒度的剪枝策略缩小搜索空间，尤其在大规模数据集中效果显著。

实验结果

研究问题

• RQ1 如何在超越传统支持度与置信度的基础上，丰富跨两个宇宙的关联规则，以更好地反映现实世界关系？
• RQ2 在粒度关联规则挖掘中，通用规则挖掘与子类型特异性优化之间的性能权衡为何？
• RQ3 前向与后向算法是否能显著加速完全匹配子类型规则的挖掘？
• RQ4 所提出的四种度量（源与目标的覆盖度与置信度）如何提升所发现规则的可解释性与语义丰富度？
• RQ5 所提算法在具有不同数据规模与阈值的真实世界数据集上的可扩展性如何？

主要发现

• 所提出的四度量框架相较于传统关联规则提供了语义更丰富的规则，因其同时捕捉了源与目标粒度的覆盖度与置信度。
• 三种子类型特异性算法在两个真实世界数据集上相较通用算法实现2–3个数量级的性能提升。
• 前向与后向算法进一步加速了完全匹配子类型的挖掘，相较于基线方法展现出显著提速。
• 三明治算法通过为不同子类型应用定制化的规则检查策略，有效平衡了各类规则子类型的效率。
• 该方法通过粒度关联建模新用户与新项目之间的关系，实现了有效的冷启动推荐。
• 基于覆盖粗集与可变精度粗集的理论基础被识别为未来扩展至更复杂规则类型的有前景方向。