利用多目标优化算法挖掘频繁项和罕见项关联规则的创新约束模型

《Artificial Intelligence》：Innovative Constraint Models for Mining Frequent and Rare Association Rules Using Multi-Objective Optimization

　　

查尔斯·维尔内雷（Charles Vernerey）|萨米尔·劳德尼（Samir Loudni）|努尔丁·阿里比（Noureddine Aribi）|亚希亚·莱巴（Yahia Lebbah）

摘要

基于约束的模式挖掘是众多数据挖掘任务的核心。通常，模式挖掘问题被视为约束求解问题来处理。然而，在实践中，生成的模式往往规模较大，为这些约束选择合适的阈值可能具有挑战性。本文通过将数据挖掘算法扩展到优化领域来解决这些问题，将任务视为根据一组目标函数识别最佳模式。我们探索了一种多目标优化方法，可以同时优化多个可能存在冲突的目标。在缺乏优先级的情况下，通常使用帕累托优势（Pareto dominance）来识别最优的折中方案。我们提出了一种新颖的约束编程模型，旨在高效地挖掘帕累托最优模式。该模型利用压缩后的模式表示来减少计算量，并引入了一个新的全局约束，以确保模式在多个度量标准上的完整性。我们展示了该方法的应用，能够在不依赖阈值的情况下推导出高质量的高频和（罕见的）非冗余关联规则。通过UCI数据集以及一个涉及基因表达分析的案例研究验证了该方法的有效性，该研究整合了多种外部基因注释。