Post-Processing Association Rules Using Networks and Transductive Learning

Abstract

Abstract-Association is widely used to find relations among items in a given database. However, finding the interesting patterns is a challenging task due to the large number of rules that are generated. Traditionally, this task is done by post-processing approaches that explore and direct the user to the interesting rules of the domain. Some of these approaches use the user's knowledge to guide the exploration according to what is defined (thought) as interesting by the user. However, this definition is done before the process starts. Therefore, the user must know what may be and what may not be interesting to him/her. This work proposes a general association rule post-processing approach that extracts the user's knowledge during the post-processing phase. That way, the user does not need to have a prior knowledge in the database. For that, the proposed approach models the association rules in a network, uses its measures to suggest rules to be classified by the user and, then, propagates these classifications to the entire network using transductive learning algorithms. Therefore, this approach treats the post-processing problem as a classification task. Experiments were carried out to demonstrate that the proposed approach reduces the number of rules to be explored by the user and directs him/her to the potentially interesting rules of the domain.

Redes de regras de associação filtradas e multialvo

“…Os trabalhos que apresentam metodologias detalhadas foram aplicados em diversas áreas do conhecimento como por exemplo, sistemas de suporte à decisão (HONG et al, 2018;MINELGA et al, 2017;GAO et al, 2017a;, pesquisas relacionadas a mineração de dados nas nuvens e com dados oriundos da web (SHEU, 2018;ZHANG et al, 2018;SLAIMI et al, 2017;SHAHMOHAMMADI;KHADANGI;BAGHERI, 2016;LI-XIONG et al, 2015) SU, 2017;GAO et al, 2017a;MAKINO;KATO;TANIMOTO, 2017;XING, 2016;SHEN, 2016;RUSH et al, 2016;CARVALHO;REZENDE, 2016;SIMARD;ST-PIERRE;BISKRI, 2016;ZHENWEI;LINGYUN;LIZHU, 2016;WILKE et al, 2016;USMAN;USMAN, 2016;DU et al, 2015;YANG, 2015;LI-XIONG et al, 2015;CARVALHO, 2014;BARALIS et al, 2013;DING et al, 2013;PETELIN et al, 2013;GAMA;FERREIRA, 2012). Para extração das regras, os Grafos foram utilizados como estruturas de apoio para que os itemsets fossem formados e as medidas de suporte e confiança calculados.…”

“…Para as tarefas de classificação, os trabalhos apresentaram uma maior variedade de tipos de Rede (HONG et al, 2018;CHERN-TONG;AZIZ, 2018;SHEU, 2018;DELGADO et al, 2018;CHEN et al, 2018;TURGEMAN;SCIULLI, 2017;MINELGA et al, 2017;OLIINYK et al, 2017;GAO et al, 2017a;THONGKAM;SUKMAK, 2017;LI et al, 2017;MAKINO;KATO;TANIMOTO, 2017;CARVALHO;REZENDE, 2016;NEMATI;SANT'ANNA;NOWACZYK, 2016;SIMARD;ST-PIERRE;BISKRI, 2016;MEI;SHENG et al, 2016;USMAN;USMAN, 2016;SHEU et al, 2016;ACHARYA;MAHALI;MOHAPATRA, 2015;CARVALHO, 2014;KE et al, 2014;ZHANG, 2011), dando destaques ao uso de Regras de Associação em classe, bem como Regras de Associação temporais e contínuas.…”

“…A extração de um número elevado de regras pode, por exemplo, tornar o processo de análise muito custoso computacionalmente, ou até mesmo inviável, além de afetar negativamente o resultado de alguns algoritmos utilizados para extração de conhecimento. Com o intuito de minimizar esses problemas, várias pesquisas buscam abordagens que realizam a seleção das regras por meio de estratégias de poda, uso de Medidas Objetivas para seleção e estruturas de Rede para extração das regras (CAI et al, 2017;ZHENWEI;LINGYUN;LIZHU, 2016;RAWAT et al, 2016;BELYI et al, 2016;CARVALHO, 2014;GAMA;FERREIRA, 2012). No entanto, a grande maioria dessas abordagens se concentra na exploração com o uso de todas as regras geradas e não considerando explorações que possam se concentrar em um pequeno conjunto de itens (itemsets) ou em um item alvo (variável de estudo).…”

“…As principais bases de dados utilizadas nos artigos são as disponibilizadas pela UCI Machine Learning Repository 2 . Os trabalhos utilizam essas bases para seus experimentosGUO;USMAN;USMAN, 2016;CARVALHO;REZENDE, 2016;IQBAL et al, 2014;CARVALHO, 2014;NIRMALA;PALANISAMY, 2013; LIU; ZHAI; PEDRYCZ, 2012; ZHAO; ZHANG; ZHANG, 2011) a fim de validar as abordagens propostas e comparar com resultados já existentes na literatura.Nadi et al (2014) utilizaram dois datasets, "Connect" e "Chess". Trabalhos relacionados a dados de Redes Sociais utilizaram datasets em comum como o "Pokec", "YAGO2", "GraMi" e "Web graph" (WANG; XU, 2018; FAN; WU; XU, 2016).…”

“…Destaca-se a pesquisa deDing et al (2013) que trata de um tema muito comum, detecção de malwares de forma rápida. Os autores efetuam os experimentos e comparam seus métodos aos já tradicionais.Outros trabalhos realizam otimizações em processos já existentes (ANAND;VINOD- CHANDRA, 2018;VALLE;RUZ;MORRÁS, 2018;ABAY;MUTLU;KARAGOZ, 2016;XU, 2016;XING, 2016;USMAN;USMAN, 2016;CARVALHO;REZENDE, 2016;ACHARYA;MAHALI; MOHAPATRA, 2015; PA- DUA;CARVALHO, 2014;NADI et al, 2014;ALZOUBI;OMAR;BAKAR, 2011;VEDULA;THATAVARTI, 2011). Nestas pesquisas o foco maior é na técnica de mineração de dados e não em uma aplicação específica.…”