编辑推荐：
基于规则的模型（rule-based models）因其可解释性而备受重视，尤其在决策必须可解释且与专家知识保持一致的领域。然而，最先进的规则归纳算法主要以编程库（programming libraries）的形式提供，这使得广泛领域的专家无法使用它们来分析自
基于规则的模型（rule-based models）因其可解释性而备受重视，尤其在决策必须可解释且与专家知识保持一致的领域。然而，最先进的规则归纳算法主要以编程库（programming libraries）的形式提供，这使得广泛领域的专家无法使用它们来分析自身数据。现有的图形化数据挖掘工具主要支持分类问题的规则学习，无法处理生存数据（survival data），且大多不提供交互式编辑规则集或纳入领域知识的手段。本研究旨在介绍RuleMiner，一个用于规则归纳与基于规则的数据分析的图形化Web平台。该平台是作者前期工作的自然延续，以RuleKit库作为计算引擎，使其能力无需编程即可访问。其主要创新在于提供完整的、基于图形用户界面（GUI）的环境，整合：（1）规则集的交互式编辑；（2）通过用户驱动归纳（user-driven induction）、手动规则定义与修改将领域知识纳入模型；（3）对分类、回归与生存问题的支持。
一、研究背景与问题提出
基于规则的模型以"IF…THEN…"的前提-结论规则集合为形式，因其可解释性（interpretability）在可解释人工智能（XAI，Explainable Artificial Intelligence）领域备受关注，在数据质量控制与偏差检测等场景中价值显著。规则归纳（rule induction，从数据自动导出规则的知识发现方法）已有众多算法实现，包括分而治之（separate-and-conquer）方法（如AQ15、CN2、JRip、RuleKit）、集成学习方法（如BOOMER、RuleFit）、提升（boosting）与装袋（bagging）方法、基于给定损失函数优化整个规则集的方法（如BRCG、IDS）、学习局部最优规则的方法（如LORD、HARMONY）以及基于决策树的规则生成方法（如M5Rules）。其中作者团队先前提出的RuleKit基于顺序覆盖（sequential coverage，逐条生成并覆盖数据的规则学习范式），是当时已知唯一的基于规则的生存分析（survival analysis，研究事件发生时间及影响因素的统计方法）套件，并衍生出动规则归纳与基于规则的解释等算法，实验表明其与其他规则方法相比具有竞争力。
然而，RuleKit作为可编程库，仅面向具备数据科学或编程背景的用户，将大量领域专家排除在外。现有图形化工具中，通用平台（Orange、RapidMiner AI Studio、KEEL、KNIME、Weka、QMAK）的规则学习只是众多算法之一，规则集可查可用但不可修改，且缺乏针对规则集的专门操作，KNIME虽允许手动定义规则但与归纳模型无关；唯一专注规则方法的Web系统EasyMiner基于CBA（Classification Based on Associations）算法，仅支持关联与分类规则归纳，用户参与归纳仅限于通过规则模式限定搜索空间。总体而言，当时不存在能够同时支持手动规则定义、用户驱动归纳与交互式规则集编辑，并覆盖分类、回归与生存问题的工具。
二、研究内容与意义
针对上述空白，研究人员设计并实现了RuleMiner，一个以RuleKit库为计算引擎、无需编程的开源图形化Web平台（GUI，Graphical User Interface，通过图形界面而非编写代码操作的人机交互环境），覆盖规则归纳与基于规则的数据分析全流程，并在原有简单图形界面基础上显著扩展。研究得出：RuleMiner是现有图形化工具中功能最全面者，也是唯一同时支持手动规则定义、用户驱动归纳与交互式规则集编辑并覆盖三类预测问题的平台，填补了编程库与领域专家需求之间的空白，使专家能够交互式修改规则集、即时验证每次修改对模型质量与预测性能的影响，并将领域知识纳入模型。平台已开源（AGPL 3.0许可证）并在线提供服务，已用于医学数据分析与教学，具有重要应用价值。
三、关键技术与方法
RuleMiner采用容器化微服务（microservices，将应用拆分为可独立部署的小型服务）架构，分为五层：表现层由Angular前端、nginx服务器与Redux状态库构成；应用层基于Django REST Framework，负责请求验证、权限管理与同步/异步任务路由；计算层包含基于FastAPI的rules-evaluation-service（同步执行规则指标重算等短耗时计算）与基于Celery的rules-generation-workers、report-generation-workers（异步执行规则归纳等长耗时任务），二者经RabbitMQ消息队列通信；数据层以两个PostgreSQL数据库分别存储应用元数据与上传数据集，报告存于SFTP服务器；监控层由Prometheus、Loki与Grafana构成。规则归纳由RuleKit库执行，规则处理与指标计算基于decision-rules库，部署采用Docker与Docker Compose v2，各层可独立扩展。示例验证使用seismic-bumps地震-岩石冲击分类数据集，分层拆分为训练集与测试集。
四、研究结果
Software architecture（软件架构）：RuleMiner按容器化微服务设计，将用户面向部分与规则归纳、评估等计算密集任务分离并可独立扩展；消息队列带来自然负载均衡，工作进程数量可配置，计算容量可独立于前后端调整，大量计算时界面仍保持响应。
Software functionalities（软件功能）：平台覆盖分类、回归与生存数据的完整分析流程，功能分为六组。数据集功能支持加载、探索、过滤与训练/测试集划分；规则集生成支持自动归纳、用户驱动归纳、手动定义规则集、从LORD与MLRules结果文件导入规则及交叉验证；规则集分析提供模型与预测质量指标、属性与条件重要性、规则集图谱可视化、覆盖分析（分析哪些样本被哪些规则覆盖）、单样本决策解释及规则的语义与语法比较；规则集编辑支持规则的增删改、复制、标签、过滤、启停并即时重算结果以观察修改影响；应用与分享支持新样本预测（附覆盖规则解释）与规则集、数据集、预测、报告等结果导出；附加分析通过报告模块提供探索性、知识发现与预测分析三类报告，允许结合其他机器学习方法。
Illustrative examples（示例说明）：以seismic-bumps数据集为例，经聚焦分析目标的简短问卷引导的简单自动归纳配置，生成含21条规则的规则集，覆盖整个训练集且所有规则统计显著。属性与条件重要性分析表明，安全班次（class = 0）主要由gimpuls、nbumps与nbumps2属性刻画，危险班次（class = 1）依赖gimpuls、genergy、nbumps2、senergy与maxenergy等能量相关属性，提示预测危害需要现象能量信息。预测性能方面，测试集指标与训练集相近，模型无明显过拟合，平衡准确率（balanced accuracy，正负类召回率的算术平均）为0.73：测试集51个危险班次中正确检测31个、漏检20个，代价是725个安全班次中101个误报。用户还可交互式修改规则集（添加、编辑、禁用或删除规则）并即时查看对质量与性能的影响。
Impact（应用影响）：截至2026年10月30日，平台拥有100个注册用户，RuleKit下载量超过20,000次；已用于儿童急性淋巴细胞白血病治疗临床试验与西里西亚医疗中心电生理学系的数据分析，以及西里西亚理工大学"知识发现"课程教学。系统通过约50名学生的课堂测试与反馈、手动测试以及Cypress自动化脚本进行了充分评估。
五、讨论与结论
讨论部分指出，与库式工作流相比（每次修改需重新运行分析或人工计算结果），RuleMiner支持用户交互式修改规则集——使单条规则或整个规则集更一般化或更具体、基于领域知识添加条件、修改条件边界、添加用户定义规则——并即时验证对模型质量与预测性能的影响，这是库式工作流难以实现的。本版本相较会议论文版已开源，新增嵌套规则（支持不同逻辑运算符组合的规则）、deep-rules算法（生成含合取与析取的复杂规则）、导入LORD与MLRules及外部系统规则等机制，并优化性能与改进界面。作者认为RuleMiner领域无关，只要数据为表格形式且属分类、回归或生存问题即可应用于任何行业。
研究结论部分翻译：研究人员介绍了RuleMiner，一个用于基于规则的数据分析与预测建模的可视化平台，是对RuleKit库前期工作的重大扩展。开发该系统的动机是拓宽RuleKit方法的潜在用户群体，因为并非所有希望使用基于规则的模型分析数据的领域专家都具备在不借助图形用户界面的情况下独立编程的能力。RuleMiner的主要创新在于提供完整的、基于GUI的环境，结合：（1）规则集的交互式编辑，即时验证每次修改对模型质量与预测性能的影响；（2）通过用户驱动归纳、手动规则定义与规则集修改将领域知识纳入模型的可能性；（3）在单一应用中支持分类、回归与生存问题，这使其有别于其他规则归纳可视化工具。研究人员认为，其提供的功能、可视化与交互式设计使该工具对广泛研究人员与领域专家有用；鉴于RuleKit相关方法已成功应用于采矿、工业与医学等领域，预期RuleMiner在这些及其他领域同样有用。系统领域无关，只要待分析数据为表格形式并描述分类、回归或生存问题即可应用于任何行业。平台已在线公开提供，开源代码与容器化架构使其也可本地部署，用户文档（含各类分析的案例研究）可在GitHub Wiki获取。未来工作将聚焦扩展基于RuleKit库的其他算法，并将RuleMiner集成至?ukasiewicz – AI研究所正在开发的、旨在支持波兰工业应用AI方法的平台；更长远的考虑包括更多可视化与基于生成式AI（GenAI，Generative Artificial Intelligence）的聊天机器人以帮助用户解读结果或按需定制可视化，以及将RuleMiner嵌入更大平台作为其XAI层的组件，生成易于用户理解的基于规则的解释。
