自适应规则：一种新的推荐系统框架

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 6（2020）214www.elsevier.com/locate/icte自适应规则：一种新的推荐系统框架Erna Hikmawati，Nur Ulfa Maulidevi，Kridanto Surendro万隆理工学院电气工程与信息学院，印度尼西亚万隆接收日期：2020年2月28日;接收日期：2020年5月20日;接受日期：2020年6月5日2020年6月13日在线提供摘要确定关联规则的最小支持度值对用户来说并不容易。数据位置和数据来源等障碍是关联规则必须克服的一座大山。此外，生成的规则不一定适合用户的需求，因此，需要规则根据一定的标准进行排序。本文将讨论一个模型，以产生自适应规则，来自一些不同的数据库，自动阈值确定和规则排名的基础上预定的标准。所产生的自适应规则模型可以在各个领域的推荐系统c2020年韩国通信与信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：自适应规则;关联规则;推荐系统内容1.导言. 2142.相关工作2152.1.关联规则基本概念2152.2.最小支持值确定方法2162.3.Meta关联规则2162.4.多标准决策分析2162.5.推荐系统2163.讨论和结论216竞争利益声明218致谢218参考文献2181. 介绍当前的技术进步导致了数据增长的大幅增加。虽然数据可能包含有用的信息，但必须使用某些方法进行提取。获取信息的已知方法之一是数据挖掘技术。通过数据挖掘，有价值的知识或信息∗ 对应收件人：学校的电工程 和信息学，格德。Achmad巴克里中尉2,JL.甘尼萨印度尼西亚万隆40132号10号电子邮件地址：erna@pasim.ac.id（E.Hikmawati），ulfa@informatika.org（N.U.Maulidevi），endro@informatika.org（K.Surendro）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2020.06.001从大数据集群中可以检索[1因此，所获得的信息可用于决策过程。数据挖掘的功能之一是关联规则。关联规则，又称频繁项集挖掘，是数据挖掘中的一个基本概念，也是根据项集的频繁出现来识别关联关系的最常用方法[1，2，5，6]。在关联规则中，首先要做的是确定一个称为最小支持度的阈值。最小支持函数，用于确定哪些项目将被包括在规则建立过程中，哪些项目未从项目出现的频率中观察到。2405-9595/2020韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。E. Hikmawati，N.U.Maulidevi和K.Surendro/ICT Express 6（2020）214215∪→关于我们→ ⊆ ⊆∩⊆⊆→=→→→=确定最小支持度对用户来说是一项复杂的任务，因为最小支持度值会显著影响要建立的规则。太高的最小支持值会导致规则形成中涉及的项太小，导致丢失信息的可能性很高。相反，太低的最小支持值会导致规则形成中涉及的项目太大，消耗太多的时间和内存[4，6]。下一个障碍是异质性。现有的数据规模和复杂性需要信息和通信技术领域的创新解决方案[7]。数据挖掘应该能够处理异构数据[7]。来自不同来源的各种数据的增长需要建立规则，以便能够集成其各种源数据库[8]。有几个研究试图解决这个问题，其中之一是使用Meta关联规则方法。Meta关联规则是建立在规则关联规则基础上的规则，这些规则先前已从具有相似主题和结构的数据库集合中提取[9]。然而，Meta关联规则方法无法从具有不同特征和属性的数据库中建立规则。因此，迫切需要一种新的方法，可以从具有不同来源、特征或属性的数据库中生成规则。为了适应当前充满波动性、不确定性、复杂性和模糊性的条件，也称为VUCA世界，决策者必须做出适当的战略选择[10]。当前的挑战是如何克服和创造性地应对VUCA世界的挑战[11]。当今的颠覆时代是使以前的产品、服务和流程无效的变化[12]。在应对未来时必须考虑适应性战略[13]。决策者在确定他们需要什么信息时有不同的标准，因此，规则的建立必须考虑其用户所期望的标准，这最终导致自适应规则[14]。生成的自适应规则可用于推荐系统。如今，推荐系统在各个领域得到了广泛的应用，并产生了显著的效益[15]。购买等。而隐含的特征包括用户与内容互动的时间和互动的水平[15]。然而，对于这种方法，当新用户没有任何行为地弹出时，或者当注册没有评级的新项目时，以及当系统以高隐私级别编程时，就会出现问题[15]。一种解决方案是在推荐系统中使用关联规则挖掘。一些研究提到，关联规则挖掘与推荐系统的CF相比表现更好 [15本文将讨论模型，以产生自适应规则，来自不同的多个数据库，外部和内部，自动阈值，并涉及各种标准来评估规则的优先级。所产生的自适应规则模型将在各个领域和部门的推荐系统中得到实现。本文的结构如下：相关研究将在第2节中介绍。讨论将在第3节中提出，这是本刊的方法建议2. 相关工作本节将更仔细地研究最小支持值确定方法，Meta关联规则，多准则，决策分析和推荐系统在以前的研究。2.1. 关联规则基本概念关联规则挖掘可以正式定义如下：如果我i1，i2，. . .，im是一组项目。D是一个集合T个交易的集合，其中一个T个交易的集合是一个集合的项，则TI.如果A是一组元素。T交易称包含A当且仅当AT.关联规则是一B形式，其中AI，BI和B = 0。一如果s%，则B规则在D事务的集合中具有支持D中的交易包含A B [19，20]，其中支持度是包含项集A的事务频率除以事务总数之间的比率。一般来说，它可以用公式表示如下[9]：例如，在电子商务中，系统将一次显示下一个购买最多的项目，以吸引客户购买。另一个例子，谷歌也在其搜索引擎中实现了推荐系统，谷歌将显示人们搜索最多的推荐词。推荐系统也可以在医学领域中实现，以基于患者的医疗记录来检测疾病发生的概率。此外，基于给予患者的药物记录，推荐系统可以显示适当的附加费（A 和B）|t∈D|ABt||D|其中：– Supp是支持值– A是项集形式的先行规则– B是项集形式的推论– t是包含A和B的事务– D是总交易量（一）药物消费通过结合通过矛盾的每一个可用的药物。协同过滤和基于内容的推荐方法是推荐系统中最常用的方法[15在协同过滤（CF）方法中，的重要性。有两个分析主题一B规则适用于具有置信度c的D事务的集合，如果D中包含A的事务的c%也包含B.置信度是包含项目A和B的事务数除以包含A的事务数的比值。AB规则的置信度值由下式[9]得到：在CF中表现为外显和内隐特征。显式特征包括项目评分、查看的项目、浓度f（A和B）|t∈D|ABt||阿勒特|A ⊆ t|（二）216E. Hikmawati，N.U.Maulidevi和K.Surendro/ICT Express 6（2020）214→→≥其中：– Confidence是信心– A是项集形式的先行规则– B是项集形式的推论– t是包含A和B的事务– D是总交易量关联规则的一般框架是提取支持度和置信度超过minsupp和minconf的规则。Minsupp和minconf值是由用户确定的变量。在这种情况下，可以说A如果Supp（A B）minsupp，则B被认为是频繁类别;如果Conf（A→B）≥ minconf，则B被认为是置信类别（强2.2. 最小支撑值确定方法关联规则挖掘是由Agrawal首先提出的[21]。关联规则有两种初始方法，即Apriori [22]和FP-Growth [23]。在最小支持度的确定上，两者都采用用户确定的最小支持度值.大多数关联规则为所有项目建立一个最小支持度阈值，然而，在现实中，不同的项目可能有不同的标准来评估其重要性。支持应根据不同项目而有所不同[24]。因此，无数的研究表明，提出了关联规则的方法，这些方法对每个项目使用不同的最小支持度，称为多个最小支持度[3，25]。然而，实现多个最小支持需要用户确定每个项目的最小支持，增加更多的任务已经很难了。关于关联规则中最小支持度值确定的另一种观点是从规则形成过程中删除最小支持度。有两种关联规则方法没有考虑最小支持度值，即Top-k和skyline。在top-k关联规则方法中，需要k值来表示要生成的规则的数量，而不是最小支持度值[2]。这样，用户可以更容易地确定k值，因为他们明确地知道他们想要多少规则结果。Top k关联规则方法首先由Fournier和Cheng Wei Wu [26，27]提出Skyline算法首先由Borzsony [28]提出，然后由Goyal [29]进一步发展。Skyline定义为不受其他点支配的点[28]。然后 由 Jerry Chun-Wei Lin [5] 和 Jeng-Shyang Pan [4] 结 合Skyline算法来产生关联规则。在这项研究中，我们不使用最小支持，而是使用效用最大值（utilmax）从效用列表结构进行的每次迭代。2.3. Meta关联规则关联规则挖掘过程中经常出现的一个共同需求是从不同的源获取规则。它已经被许多研究人员研究过。其中之一是Ruiz [9]，它提供了新的框架来获取关联规则它涵盖了许多数据库。这个框架被称为Meta关联规则。Meta关联规则是建立在常规关联规则基础上的规则，这些规则先前已从具有相似主题和结构的一组数据库中提取[9]。然而，Meta关联规则只能从具有相同属性的数据库中形成。2.4. 多准则决策分析为了确定哪一条规则是最好的，需要一种与关联规则相结合的方法。一种合适的优先级排序规则的方法是决策分析技术[30]。这种方法可以帮助决策者确定哪些规则是最合适的，并且排名高于其他规则。2.5. 推荐系统推荐系统已经广泛应用于各个领域。虽然大多数推荐系统采用协同过滤，但推荐系统的一个新发展是使用关联规则挖掘[15第一个基于关联规则挖掘的推荐系统是由Kim[17]提出的。研究表明，该方法的性能优于协同过滤。3. 讨论和结论关联规则研究的发展导致了不同的最小支持度确定方法。然而，到目前为止，还没有开发出能够基于其数据库特性以自动方式确定最小支持值的方法。数据在规模方面的快速增长导致各种数据库的出现。传统关联规则方法当涉及到从多个数据库中挖掘规则时，它变得越来越无关紧要。以往的研究者提出了一种称为Meta Association Rule的方法，它能够在规则挖掘过程中将多个数据库结合起来。然而，Meta关联规则方法还不能将具有不同特征的数据库在关联规则挖掘过程中产生的规则没有指出每个规则的优先级或排名，因此，所有规则都被认为是相同的。然而，规则的排名是至关重要的决策过程中，以确定哪些规则是最相关的，哪些规则是基于任何特定的标准。为了总结与关联规则相关的问题和挑战，在此研究者在表1中给出了关于关联规则和推荐系统的一些研究的综述结果。E. Hikmawati，N.U.Maulidevi和K.Surendro/ICT Express 6（2020）214217表1回顾关联规则和推荐系统的研究成果确定最低限度支助Apriori [21，22]最小支持度1是由用户[23]第二十三话一种能够根据一定的数据库特性计算阈值的方法，为了解决表1中列出的弱点和要求，研究人员提出了一种新的方法来生成自适应规则，如图1所示。1.一、图1.一、自 适应规则的拟议方法。这种方法有望产生自适应规则，比以前的方法更好的方法。该方法的详细说明如下：1. 输入该方法有三种类型的输入，即内部数据库、外部数据库和选择标准。与该方法不同的方法可以具有两种类型的数据库，即内部数据库和外部数据库。在以前的方法中，作为输入的只是一个内部数据库，即与建立规则的过程内部数据库的例子但是，这种方法被提议涉及外部数据库，实际上，这是决策的一个因素。外部数据库的例子有产品评论、当前趋势等。该方法的另一个输入是选择标准，用于确定排名规则和项目选择。在基本的关联规则概念中，项目选择过程仅基于项目在事务中出现的频率。但实际上，在提供建议时，还需要许多其他因素和标准。这些标准可以是商品的价格，商品的利润，商品的重要Top-k[2，26，27]由于规则数量有限而导致信息缺失的可能性标准，以确定将在规则建立过程中包括哪些项目。天际线使用umax，[4、5、28、29]每隔一段时间迭代多用户面临最小困难支持[3，24，25]确定最低支持针对每个项目2Meta关联只能生成规则[第八、九条][三十二条]提取规则多个数据库，数据库与不同特性类似属性和来源3多准则单独的进程中的规则排名过程决策分析从规则根据某些[30][33、34]形成标准4推荐系统协同高度依赖不依赖于滤波和在用户简档上，某些数据库基于内容用户偏好过滤器[15和用户行为218E. Hikmawati，N.U.Maulidevi和K.Surendro/ICT Express 6（2020）214和/或其它信息。在这种方法中，决策者可以确定哪些标准将被用作准备规则和排名的基准，因此具有不同标准的每个人稍后将得到不同的规则，即使它来自相同的交易数据库。2. 过程该方法的主要过程是规则的形成，该算法利用了关联规则的基本方法，但在几个方面做了改进，即在最小支持度值的确定过程和排序规则方面。该方法将最小支持度值推广为阈值。之所以这样做，是因为在形成规则时对项目的选择不仅来自项目的支持或频率在为规则形成过程确定阈值之后，下一个过程是通过考虑之前已经根据阈值确定和排序的标准来形成规则，使得所形成的规则将不需要再次排名。3. 输出该方法的输出是一个自适应规则，一个规则，调整到某些情况下，即输入数据库和用户指定的标准。希望这种自适应规则可以提供适当的建议，如果应用到推荐系统。所提出的生成自适应规则的方法具有以下优点：1. 挖掘来自不同来源的关联规则，无论是基于特征还是主题。推荐器不能依赖于一个数据库，因为可能有许多数据库可以组合以获得规则，无论它们是内部数据库还是外部数据库。内部数据库是指事务数据库、用户档案等，外部数据库是指与系统没有直接关系的数据，如当前问题、某个项目的评审数据库等。2. 在自适应规则的建立过程中，自适应规则不仅基于事务中项目的出现频率，而且还涉及用户根据自己的兴趣选择的某些标准。3. 在拟议的方法中，不要求用户以确定最小支持值、最小置信值等，因为它已经具有根据所选择的标准来确定在规则建立过程中要涉及的项的确定的阈值的专用功能，并且它考虑了输入的数据库的特性4. 有一个对生成的规则进行优先级排序和排序的过程。在这个过程中，在前面的过程中生成的规则将根据用户确定的某些标准进行排名。排名过程是通过比较每个现有规则的重要性来该方法不仅结合了以往的几种方法，而且针对以往方法的不足所作的改进包括：1. 在提出的方法中将建立最小支持值的确定方法。这样做是因为大多数研究都集中在提高关联规则的性能，从其运行时间和内存需求来看。目前还没有研究专注于生成可以根据数据集的特征自动确定支持度最小值的模型。2. 克服了Meta关联规则的缺点，即把具有不同特征和属性的数据库结合起来. Meta关联规则可以从多个数据库中提取规则，但规则只在具有相同特征和属性的数据库上提取。现在需要的是在不同的数据库上进行合作，以获得相关和有趣的信息。3. 在规则形成时插入规则排名过程，这样就不需要很长时间来处理它。目前，一些研究者将关联规则与多准则决策分析方法相结合来对规则进行排序，从而可以根据一定的准则对规则进行排序。但在以往的研究中，这一过程是与规则形成过程分开的，因此需要大量的时间来处理。4. 形成该规则的过程稍后将在推荐系统中实现。在推荐系统中利用关联规则进行推荐的研究有很多，但是所使用的算法都是关联规则的基本概念Apriori算法，该算法仍然存在很多不足。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢我们要感谢万隆理工学院和Pasim国立大学对这项研究的支持引用[1] J.M. 卢纳山口Fournier-Viger，S.频繁项集挖掘：一个25年回顾，威利·英特鲁普。修订数据最小知识发现（2019）http://dx.doi.org/10.1002/widm.1329。[2] H. Ryang，U. Yun，Top-k高效用模式挖掘与有效的阈值提高策略，Knowl.-76（2015）109http://dx.doi.org/10.1016/j.knosys.2014.12.010[3] W.甘，J.C.- W.作者：Lin，P. C.赵军，詹俊，多最小支持度下的频繁 模 式 挖 掘 ， 应 用 工 程 。 内 特 尔 60 （ 2017 ） 83http://dx.doi.org/10.1016/j.engappai.2017.01。009.[4] J. - S. 潘，J.C.- W. 林湖，澳-地Yang，P. Fournier-Viger ，T. P.Hong，Skyline frequent-utility patterns的有效挖掘，Intell。数据分析21（2017）1407http://dx.doi.org/10.3233/IDA-163180E. Hikmawati，N.U.Maulidevi和K.Surendro/ICT Express 6（2020）214219[5] J.C. W.林湖，澳-地Yang，P. Fournier-Viger，T.洪鹏，基于频繁约束和效用约束的天际线模式挖掘，应用工程，Artiff.内特尔77（ 2019 ） 229 http://dx.doi.org/10.1016/j 。 engappai.2018.10.010 网站。[6] 问：H.阳湾Liao，P. Fournier-Viger，T. L. Dam，一种基于阈值提高和剪枝策略的top-k高效用项集挖掘算法，Knowl. - 104（2016）106http://dx.doi.org/10.1016/j.knosys.2016.04.016[7] K. Gibert，J.S. I.N.霍斯堡Athanasiadis，G. Holmes，Environmentaldata science environmental modeling software，Environ.模型软件。106（2018）4 http://dx.doi.org/10.1016/j.envsoft.2018.04。005.[8] M.D. Ruiz，J. Gómez-Romero，M. Molina-Solana，M. M. J. Martin-Bautista，Ros，多数据库信息融合 使用元关联规则，Internat. J.近似值原因的80（2017）185http://dx.doi.org/10.1016/j.ijar.2016.09.006[9] M.D. Ruiz，J. Gómez-Romero，M.Molina-Solana，J.R.坎帕尼亚M. J. Martin-Bautista，元关联规则在多数据集中挖掘有趣的关联，应用软件计算。49（2016）212http://dx.doi.org/10.1016/j.asoc.2016.08.014[10] F. Giones，A. Brem，A.伯杰，《动荡时期的战略决策：能源行业的 教 训 》 ， 公 共 汽 车 。 水 平 。 62 （ 2019 ）215http://dx.doi.org/10.1016/j.bushor.2018.11.003[11] E.金河巴德姆，《不确定性中的领导力》，《器官》。动力学（2018）http://dx.doi.org/10.1016/j.orgdyn.2018.08.005，S0090261618301001.[12] C. Millar ， M. Lockett ， T. 《 颠 覆 ： 技 术 、 创 新 与 社 会 》（Disruption：Technology，Innovation and Society），《技术预测 》 （ Technol.Forecast ） 。 Soc.Change129 （ 2018 ）254http://dx.doi.org/10.1016/j.techfore.2017.10.020[13] H.R. Maier，J.H.A. Guillaume，H. van Delden，G.A. Riddell，M.哈斯努特，J.H.不确定的未来，深刻的不确定性，情景，鲁棒性和适应性：它们如何结合在一起？Environ.模型软件。81（2016）154http://dx.doi.org/10.1016/j.envsoft.2016.03。014号[14] E.希克马瓦蒂湾 Surendro，如何确定关联规则中的最小支持度，在：2020年第9届软件和计算机应用国际会议论文集，2020年，pp.6http://dx.doi.org/10.1145/3384544.3384563[15] T.奥萨奇岛作者：Poliakov，P. Rowland，E. Foster，基于成对关联规 则 的 推 荐 系 统 ， ExpertSyst.Appl.115 （ 2019 ）535http://dx.doi.org/10.1016/j.eswa.2018.07.077[16] P. Paranjape-Voditel，U.王晓云，基于关联规则挖掘的股票投资组合 推 荐 系 统 ， 北 京 ： 计 算 机 科 学 出 版 社 . 13 （ 2013 ）1055http://dx.doi.org/10.1016/j.asoc.2012.09.012[17] Y.S.金湾，澳-地J. Yum，使用关联规则挖掘基于点击流数据的推荐系统，专家系统应用38（2011）13320http://dx.doi.org/10.1016/j.eswa.2011.04.154[18] J. Jooa，S.邦布，G.刘晓波，应用关联规则和协同过滤实现推荐系统 ， 北 京 ： 计 算 机 科 学 出 版 社 。 Sci. 91 （ 2016 ）944http://dx.doi.org/10.1016/j.procs.2016.07.115[19] M. Kantardzic，数据挖掘概念、模型、方法和算法，第二版，约翰·威利父子公司2011年，新泽西州霍博肯。[20] C. Zhang，S. Zhang，关联规则挖掘：模型和算法，Springer，柏林，纽约，2002年。[21] R. Agrawal，T. Imielinski，A. Swami，H.路，S。Jose，Miningassociation rules between sets of items in large databases ， in ：Proceedings of the 1993 ACM SIGMOD International Conference onManagement of Data，Washington，DC，USA，1993，pp.207-261[22] R. Agrawal，关联规则挖掘的快速算法，第20届超大型数据库国际会议论文集，旧金山，加利福尼亚州，美国，1994年，pp.487-499.[23] J.H.J. Pei ，Mining frequent patterns without candidate generation，in：Proceedings of the 2000 ACM SIGMOD International Conferenceon Management of Data，2000，pp. 1http://dx.doi.org/10.1145/[24] Y.-- C.李，T.- P. Hong，W.- Y.林，挖掘具有多个最小支持度的关联 规 则 使 用 最 大 约 束 ， 国 际 J 近 似 。 原 因 的 40 （ 2005 ）44http://dx.doi.org/10.1016/j.ijar.2004.11.006[25] Y.-- H. 胡 ， Y.- L. Chen ， Mining association rules with multipleminimum support ： a new mining algorithm and a support tuningmechanism ， Decis. 42 （ 2006 ） 1 http://dx.doi.org/10.1016/j.dss 。2004年9月7日。[26] P. Fournier-Viger，C. W. Wu，V.S. Tseng，挖掘top-K关联规则，in ： L. Kosseim ， D. Inkpen （ 编 辑 ） ， Advances in ArtificialIntelligence，Springer Berlin Heidelberg，柏林，海德堡，2012年，第100页。61http://dx.doi.org/10.1007/978-3-642-30353-1_6[27] C.W.吴湾，英-地E. Shie，V.S.曾宝生Yu，Mining top-K high utilityitemsets，in： Proceedings of the 18th ACM SIGKDD InternationalConferenceonKnowledgeDiscoveryandDataMining，KDDhttp://dx.doi.org/10.1145/[28] S. Borzsony，D. Kossmann，K. Stocker，Skyline Operator，收录于：Proceedings 17th International Conference on Data Engineering，IEEE Comput 。 索 科 ， Heidelberg ， Germany ， 2001 ， pp. 421http://dx.doi。org/10.1109/ICDE.2001.914855。[29] V. Goyal，A. Sureka，D. Patel，Efficient skyline itemsets mining，in ： Proceedings of the Eighth International C* Conference onComputerScienceSoftwareEngineering，C3S2E119http://dx.doi.org/10.1145/2790798.2790816[30] D.H. Choi，B.S. Ahn，S.H.王文，关联规则的优先级分析，中国科学 院 信 息 与 通 信 工 程 研 究 所 ， 2005 年 ， 第 29 期 ， 第867http://dx.doi.org/10.1016/j.eswa.2005.06.006[31] J. Gera，H. Kaur，A novel framework to improve the performance ofcrowdfunding platforms，ICT Express 4（2018）55 http://dx.doi。org/10.1016/j.icte.2018.04.011。