[论文解读] Multi Relational Data Mining Approaches: A Data Mining Technique

Neelamadhab Padhy, Rasmita Panigrahi|arXiv (Cornell University)|Nov 16, 2012

Data Mining Algorithms and Applications参考文献 9被引用 9

一句话总结

本文提出多关系数据挖掘（MRDM）作为一种技术，可直接从多个关系型数据库表中挖掘结构化数据，避免了传统的命题化处理所带来的昂贵连接操作和语义损失。该文对比了ILP、GM、SSDM与MRDM，突出展示了MRDM在生物信息学中的有效性，并展示了其在规范化数据上进行分类、聚类和关联规则挖掘的应用。

ABSTRACT

The multi relational data mining approach has developed as an alternative way for handling the structured data such that RDBMS. This will provides the mining in multiple tables directly. In MRDM the patterns are available in multiple tables (relations) from a relational database. As the data are available over the many tables which will affect the many problems in the practice of the data mining. To deal with this problem, one either constructs a single table by Propositionalisation, or uses a Multi-Relational Data Mining algorithm. MRDM approaches have been successfully applied in the area of bioinformatics. Three popular pattern finding techniques classification, clustering and association are frequently used in MRDM. Multi relational approach has developed as an alternative for analyzing the structured data such as relational database. MRDM allowing applying directly in the data mining in multiple tables. To avoid the expensive joining operations and semantic losses we used the MRDM technique. This paper focuses some of the application areas of MRDM and feature directions as well as the comparison of ILP, GM, SSDM and MRDM

研究动机与目标

• 解决在不进行命题化的情况下，从多个关系型数据库表中挖掘结构化数据的挑战。
• 克服将规范化数据转换为单张表时所导致的昂贵连接操作和语义损失问题。
• 展示MRDM在实际应用中的有效性，特别是在生物信息学领域。
• 将MRDM与归纳逻辑编程（ILP）、图挖掘（GM）和统计序列数据挖掘（SSDM）等其他技术进行比较。
• 全面概述MRDM在分类、聚类和关联规则挖掘方面对多关系数据的处理能力。

提出的方法

• 利用多关系数据挖掘（MRDM）技术，直接分析关系型数据库中多个规范化表中的数据。
• 在MRDM框架内应用分类、聚类和关联规则挖掘技术，以发现多关系数据中的模式。
• 通过保持原始关系结构避免命题化，从而保留语义完整性。
• 将MRDM与ILP、GM和SSDM进行比较，以评估其在结构化数据挖掘中的性能与适用性。
• 将MRDM应用于真实世界数据集，特别是在生物信息学领域，以验证其有效性与效率。
• 采用多表方法发现复杂关系，无需进行反规范化或模式集成。

实验结果

研究问题

• RQ1 如何在无需命题化的情况下，有效挖掘多个关系表中的结构化数据？
• RQ2 与传统的ILP、GM和SSDM等数据挖掘技术相比，MRDM在处理规范化数据库方面有何优势？
• RQ3 与基于连接的方法相比，MRDM在减少语义损失和计算成本方面有哪些改进？
• RQ4 MRDM在实际应用（如生物信息学）中的有效性如何？
• RQ5 MRDM与其他多关系挖掘技术在性能和模式发现方面有何关键差异？

主要发现

• MRDM支持直接在多个关系表之间进行挖掘，显著减少了昂贵且易导致损失的命题化需求。
• 该技术成功实现了对规范化多关系数据的分类、聚类和关联规则挖掘。
• MRDM在保持语义关系和减少数据转换开销方面优于传统方法。
• 该方法已在生物信息学中成功应用，证明其在复杂数据环境中的实际效用。
• 对比分析表明，MRDM为结构化数据挖掘任务提供了稳健的替代方案，优于ILP、GM和SSDM。
• 本文确立了MRDM作为无需牺牲数据完整性即可高效挖掘多关系数据库的可行且高效的方法。