정병수 et al, 정보과학회논문지, 2009

Prefix-Tree 를 이용한 높은 유틸리티 패턴 마이닝 기법

정병수 , 아메드 파한 , 이인기 , 용환승정보과학회논문지 : 데이타베이스 제 36 권 제 5 호 (2009.10)

데이터 연구실 이세린지도 교수 박종수

2014. 4. 11

목차• 요약

1. 서론

2. 관련연구

3. 문제 정의

4. Prefix- 트리 구조를 이용한 유틸리티 패턴 탐색

5. 실험 결과

6. 결론

2

• 본 연구는 Prefix-tree 를 이용하여 지속적으로 증가하는 비즈니스 트랜잭션 데이터베이스에 대한 유틸리티 패턴 마이닝을 효과적으로 수행하기 위한 기법을 제안 .

• 이 기법은 Prefix-tree 의 각 항목 노드에 유틸리티 값을 저장해 FP-Growth 와 같은 트리의 상향 탐색으로 높은 유틸리티 패턴 탐색 .

• 실험을 통해 3 가지 Prefix-tree 구조의 성능과 방법들 비교 .

• 이 기법이 많은 성능 향상을 가져올 수 있다는 것 입증 .

3

요약

서론

관련연구

문제 정의

Prefix-Tree 구조를 이용한

유틸리티 패턴 탐색

실험 결과

결론

4

요약

서론

관련연구

문제 정의



실험 결과

결론

• 기존과 비교

기존 논문

마이닝

빈발 패턴 마이닝 :- 모든 항목 동일한 중요도- 이진형태 표현>> 결국 비즈니스 요구사항 불만족 .

유틸리티 패턴 마이닝 :- 가중치

비즈니스 데이터분석환경에 적합 .- 수량 표현

실생활의 장바구니 데이터 반영 .

기법

Apriori 기법 :

여러 번의 데이터베이스 스캔과 많은 후보집합들을 생성해야 해 성능저하 .

FP-Growth 기법 :

FP-tree 를 이용해 후보집합의 생성 및 검사 없이 빈발 패턴을 탐색할 수 있음 .

대상데이터베이스

대부분 고정된 데이터베이스(static database)

점증적 데이터베이스

계산DB / utility 값 변경 시 ,

다시 계산 수행 .

불필요한 계산을 피할 수 있는 HUP(high utility pattern) 마이닝 기법 .

점증적데이터베이스

연구

빈발패턴만을 고려함 . 높은 유틸리티를 갖는 패턴들을 효과적으로 탐색 .

5

요약

서론

관련연구

문제 정의



실험 결과

결론

FP-Growth 알고리즘- Introduction to Data Mining – Pang-Ning Tan 외 3 (2005)

• 빈발 항목 집합들을 발견함에 있어서 기본적으로 다른 접근법을 가짐 .• 이 알고리즘은 Apriori 의 생성 - 검사 전략에 동의하지 않음 . • 대신 , FP- 트리라 불리는 밀집한 자료구조를 사용하여 데이터 집합을 부호화하고

빈발 항목집합들을 직접 이 구조에서 추출 .• 장바구니 데이터에서 많은 트랜잭션들이 공통으로 몇 가지 항목들을 자주

공유하기 때문에 FP- 트리의 크기는 일반적으로 압축되지 않은 데이터의 크기보다 작음 .

• 지지도 순서는 항상 가장 작은 트리로 이끌게 하지는 않음 .

6

요약

서론

관련연구

문제 정의



실험 결과

결론

• 다른 Prefix-Tree 구조에 따른 성능적 특징 정리 & 최적의 Prefix-Tree 구조의 성능적 우수함을 여러 실험을 통해 입증 .

• 트랜잭션 삽입의 순서항목에 따라 3 가지 형태로 구분 .1. 사전적 순서 :

+ 재구성 절차 없이 점증적으로 트랜잭션 데이터 삽입 가능 .- 트랜잭션 Prefix 의 공유 정도가 최적이 될 수 없어 트리 크기↑ .

2. 항목빈도 순서 : + 트랜잭션들의 Prefix 공유 정도가 최적 , 구조의 조밀한 구성 가능 .- 빈도 ∝ 유틸리티 , 따라서 경우에 따라 성능 저하 .

3. TWU 순서 : 높은 유틸리티 후보가 낮은 유틸리티 항목들 앞에 있도록 설계 . + 본 논문의 실험 결과에 따르면 이 구조의 수행시간이 최소 .

7

요약

서론

관련연구

문제 정의



실험 결과

결론

• 가중치를 부여한 항목 집합 (itemset/pattern) 마이닝에 관한 연구들 :– Y. Liu, Z.-H. Deng and S. Tang, “A fast high utility itemsets mining algorithm,”

Proc, 1st Intl. Conf. on Utility-Based Data Mining, pp.90-99, Aug. 2005– F. Tao, “Weighted association rule mining using weighted support and significant

framework,” Proc. Of the 9th ACM SIGKDD Int’l Conf. on Knowledge Discovery and Data Mining, pp.661-666, 2003

– U. Yun, “WIS: Weighted interesting sequential pattern mining with a similar level of support and/or weight,” ETRI Journal, vol 29, no.3, pp.336-352, Jun. 2007.

– B. Barber and H.J. Hamilton, “Extracting share frequent itemsets with infrequent subsets,” Data Mining and Knowledge Discovery, vol.7, pp153-185, 2003.

– H. Yao and H. J. Hamilton, “Mining itemset utilities from transaction databases,” Data & Knowledge Engineering, vol.59, pp.603-626, 2006.*

– Y. Liu, W..-K. Liao, A. Choudhary, “A Two phase phase algorithm for fast discovery of high utility of itemsets,“ Proc. Of the 9th Pacific-Asia Conf. on Knowledge Dis-covery and Data Mining(PAKDD’05), pp689-695, May 2005 **

– Y. Liu, W..-K. Liao, A. Choudhary, “A fast high utility itemsets mining algorithm,” Proc. 1st Intl. Conf. on Utility-Based Data Mining, pp90-99, Aug. 2005. **

8

요약

서론

관련연구

문제 정의



실험 결과

결론

• 가중치를 부여한 항목 집합 (itemset/pattern) 마이닝에 관한 연구 :- 항목집합공유접근법은 각 트랜잭션에서 항목의 다중빈도를 고려한 연구 .- 유틸리티 항목집합들의 마이닝 기법에 관한 연구에서는 다른 환자들에 대해 동일한 의학적 치료를 가정하여 , 다른 트랜잭션들이 그들의 효능에 따라 치료 효과가 다양해 질 수 있음을 보임 . - * MEU(mining with expected utility) 라고 불려지는 이론적 모델과 정의에 관련된 연구

• 항목집합이 후보집합으로 선정될 수 있는지 여부를 휴리스틱 접근법을 사용하여 판단 . • 후보 집합을 모든 항목들의 조합으로 구성해 시작단계에서 성능적 문제 야기 .• 따라서 , 항목들의 숫자가 많아지고 유틸리티 한계 값이 작아질 경우 사용 불가 .• 그러므로 높은 유틸리티 값을 갖는 패턴들을 계산하기 위한 두 개의 새로운 알고리즘 UMin-

ing 과 UMining_H 을 제안 . • UMining 에서는 유틸리티 최대값을 기반으로 하는 가지치기 전략을 사용 .• UMining_H 는 휴리스틱 접근법을 기반으로 가지치기 전략을 사용 .• 그러나 일부 높은 유틸리티 값을 가진 항목 집합들을 잘못 가지치기하는 경우 발생 , • 또한 Apriori- 규칙을 만족하지 못하여 후보 생성 및 검사 과정에서 많은 불필요한 패턴들을

생성하는 문제점 .

9

요약

서론

관련연구

문제 정의



실험 결과

결론

• Two-Phase 알고리즘– Apriori- 규칙을 사용해서 높은 유틸리티 값을 갖는 항목집합들을 효율적으로

찾아내기 위한 방법 .

– **TWU(Transaction Weighted Utilization) 를 이용하여 Apriori-규칙의 속성을 유틸리티 마이닝에서도 활용할 수 있음을 증명 .

• 1st 데이터베이스 스캔에서 한 개의 항목으로 구성된 모든 항목집합의 TWU 값을 계산하고 2 개 항목의 TWU 항목 집합을 생성하는데 기반이 됨 .

• 2nd 데이터베이스 스캔에서는 두 개 항목의 모든 TWU 항목 집합을 찾아서 세 개 항목의 TWU 항목집합을 위한 후보들을 생성하는데 사용 .

• 3rd 스캔에서는 높은 TWU 항목 집합들로 부터 가장 높은 유틸리티 항목집합 탐색 .• 이 알고리즘은 Apriori 규칙의 속성을 활용하는 제안을 제시하였으나 다른 연구에서와 같이

후보 생성 및 검사 전략이 지니는 불필요한 항목집합을 생성하게 되는 문제점 .

10

요약

서론

관련연구

문제 정의



실험 결과

결론

• 그 밖의 연구들– 전통적인 빈발 패턴 마이닝 분야에서 점증적인 마이닝 기법과 관련된 연구들 .– AFPIM 은 FP- 트리 구조를 경로 조정 기법 (path adjusting method) 을 사용해서 재구성 , – Cantree 는 정규 순서로 트랜잭션들을 처리하고 데이터베이스가 증가하거나 감소하는 동안 트리

안에서 데이터베이스의 전체정보 저장할 수 있도록 하여 , 한번의 트리 생성으로 반복적인 마이닝 작업을 쉽게 수행 .

– CP-tree 는 항목의 빈도수 값에 따라 점증적 트리를 재구성함으로써 기존 Cantree 의 마이닝 속도를 향상시킴 .

– 그러나 현재까지의 유틸리티 패턴 마이닝 기법들은 새롭게 많은 트랜잭션들이 추가되고 , 삭제되는 점증적인 데이터베이스를 위한 마이닝을 수행하기에는 부적절 ,

– 또한 후보 패턴의 생성 과정에서 많은 불필요한 연산을 수행하여 마이닝의 속도 저하 .

본 논문에서는 Prefix- 트리 구조를 기반으로 점증적인 유틸리티 패턴 마이닝이 가능한 새로운 방법을 제안 .

Prefix- 트리 구조의 각 노드에 TWU 및 빈도수 값을 저장하여 FP-Growth 방법처럼 후보 집합의 생성 없이 Apriori- 규칙을 적용할 수 있도록 하였으며 다양한 실험을 통하여 3 가지 다른 형태의 Prefix- 트리 구조에 따라 성능적 특징이 어떻게 달라질 수 있는지를 분석 .

11

요약

서론

관련연구

문제 정의



실험 결과

결론

• 실제 시장에서는 새로운 트랜잭션들이 추가 될 수도 있고 , 오래된 트랜잭션의 수정과 삭제 빈번히 발생 .

∴ 실제 데이터 집합에서 트랜잭션들의 추가 , 삭제 , 수정 고려 필수 !

12

요약

서론

관련연구

문제 정의



실험 결과

결론

용어 정의• 이전 연구들에서 정의된 것과 유사한 방법으로 유틸리티 패턴 마이닝의 문제를

정의 .

1(, ) 트랜잭션 의 수량을 표현 . e.g. 1(C, ) = 12

P() 항목 의 단위 이윤 값 . e.g. p(C) = 3

u(, ) 트랜잭션 에 대한 유틸리티의 양적 계산이며 다음과 같이 정의된다 . u(, ) = 1(, ) * P() (e.g. u(C, = 12*3 = 36)

u(X, ) X = k 항목 집합일 때 , X⊆ 이고 1≤k≤m.u(AC, ) = 3*2 + 12*3 = 42

u(X) u(AC)=u(AC,)+u(AC,)=42+8=50

tu( u(A,)+u(B,)=4+30=34

minutil 데이터베이스의 총 트랜잭션 유틸리티 값들의 백분율 . = 30%, 0.3*663=198.9

u(X)≥minutil

높은 유틸리티 항목집합은 항목집합 X 의 모든 값 .minutil=198.9, u(D) = 104 < u(DE) = 202 (Apriori- 규칙 적용 불가 )

twu(X) 항목집합 X 를 포함하는 모든 트랜잭션 유틸리티 값의 합 .twu(AC) = tu() + tu) = 88+15=103

∑𝑖𝑝∈T 𝑞

u(i p , T 𝑞)

∑T𝑞∈𝐷


u(i p , T 𝑞)


u(i p , T 𝑞)

δ∗ ∑𝑇 𝑞∈𝐷

tu(T𝑞)

∑𝑋⊆T𝑞∈𝐷

𝑡 u(T 𝑞)

즉 , twu(ACE) ≤ twu(AC) (Apriori- 규칙 적용 가능 )

높은 유틸리티 패턴 마이닝 문제는 트랜잭션에 나타나는 모든 항목 집합들 중에서

정해진 임계값 , minutil 보다 높은 u(X) 값을 갖는 모든 X 를 찾아내는 것으로 정의 .

13

요약

서론

관련연구

문제 정의

Prefix-Tree

구조를 이용한 유틸리티 패턴 탐색

실험 결과

결론

Prefix- 트리를 이용한 높은 유틸리티 패턴의 효과적인 탐색 방법을 설명하기 위해 :

1. 3 가지 다른 형태의 Prefix- 트리 구조: 사전적 순서 / 출현 빈도 / twu 값 에 따른 구조

2. 각 구조의 생성 방법

3. 패턴 탐색에 이용되는 과정 비교

4. Prefix- 트리로 유틸리티 패턴을 탐색하는 알고리즘의 성능적 특징

14

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론

4.1. Prefix- 트리 구성

• Prefix- 트리 (= 순서 - 트리 )트랜잭션 데이터베이스의 내용을 압축된 형태로 나타낼 수 있도록 하는 자료구조 .

• Prefix- 트리 구성 방법– 개개의 트랜잭션들은 일정한 항목들 순서에 따라 노드에 삽입 .

이때 count 값을 하나씩 계속 증가 .– 이렇게 만들어진 Prefix- 트리의 각 경로는 각각의 트랜잭션 .– Prefix- 트리의 각 경로들을 여러 트랜잭션들을 중복으로 표현 가능 .

일반적으로 각각의 트랜잭션에는 여러 개의 항목들이 공통적으로 나타날 수 있기 때문 .

L = {a, b, c, d} 에 대하여 사전적 순서로 만들어진 완전 Prefix- 트리

※ 중복된 항목들이 많을수록 보다 조밀한 Prefix- 트리의 구성 가능 .

15

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• Prefix- 트리 개념– 후보확장 : 모든 패턴 p 에 대해 p 다음 순서에 추가되는 항목들 .

( 만약 빈발 패턴 p 에 대해 후보 확장을 하게 되면 확장된 패턴도 빈발패턴이 될 수 있음 .)

– 각 노드의 빈도수 값은 Prefix- 트리의 루트 노드로 부터 해당 노드 까지의 경로로 표시된 항목 집합의 총 빈도수 .

– Prefix- 트리의 기본적인 성질의 하나로 각 노드의 빈도수 값은 자식노드들의 빈도수 값의 합보다 항상 같거나 큼 .

항목 빈도수

a

ab

abc

abcd

ad

︙

3

2

1

1

1

︙

>>

=

16

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• 본 논문에서는 twu 값도 같이 저장 .twu 값도 빈도수 값 처럼 자식노드들의 twu 값의 합보다 항상 같거나 큼 .

• 삽입 항목 순서에 따라 다른 트리를 구성하는 방법 1. 사전적 순서2. 출현빈도 순서 (tf)3. twu 값 순서

1. 사전적 순서• 첫 번째 데이터베이스 스캔에서 항목들을 사전적 순서로 배열하고 트리 안에

노드로 항목들을 삽입 .

이유 : FP-Growth 방법에 따라 트리의 상향 순회 과정에서 높은 유틸리티 패턴이 될 수 있는 후보 패턴을 효과적으로 찾아내기 위함 . (4.2 절에서 자세히 ...)

사전적 순서의 Prefix- 트리 FP- 트리

헤더 테이블 관리

트리 순회를 유용하게 하기 위해 인접한 링크들 관리

twu 값과 tf 값을 헤더 테이블과 트리의 노드 두 곳에서 관리

항목의 빈도 값만을 관리

17

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• 사전적 순서

18

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


2. 출현빈도 순서 (tf)• 목적 :

FP- 트리와 같이 항목들의 삽입 순서를 항목 출현빈도의 내림차순에 따라 트리를 구성해 Prefix- 트리에서 공유하는 Prefix 를 최대화하여 작게 트리를 구성하기 위해 .

• 구성 방법 :FP 트리의 구성 방법 / 경로 조정 기법으로 데이터베이스 스캔

– 경로 조정 기법 :기존의 첫 번째 방식의 사전적 순서에 의한 트리로 부터 재구성 . (CP- 트리 참고 )

* 재구성 : 항목들의 tf 값 순서가 달라지면 새로운 순서로 재구성 .

• FP-Growth 알고리즘에 의한 마이닝 작업이 매우 효과적 .∵ 트리의 어떤 가지에도 빈발한 항목들 사이에 빈발하지 않은 항목들이 나타나지 않기 때문 .

• twu 값을 고려하는 유틸리티 마이닝 과정에서는 twu 값이 정렬되지 않아 비효율적 .

19

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• 출현빈도 순서

20

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


3. twu 값 순서• twu 값의 내림차순에 따라 구성된 Prefix- 트리 .• 항목들의 빈도수 순서에 따른 트리처럼 재구성을 통해 구성 .

비교

항목 순서 : 사전적 순서 출현빈도 순서 twu 값 순서

공통요소 Prefix- 트리 이용

장점재구성 절차 없이 점증적으로 트랜잭션 데이터 삽입 가능

트랜잭션들의 Prefix 공유 정도가 최적 , 구조의 조밀한

구성 가능

장점 :

높은 유틸리티 후보가 낮은 유틸리티 항목들 앞에 있도록 설계 .

본 논문의 실험 결과에 따르면 이 구조의 수행시간이 최소

단점공유 비효율적 트랜잭션 Prefix 의

공유 정도가 최적이 될 수 없어 트리 크기↑

twu 값을 고려하는 유틸리티 마이닝에서 비효율적

21

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론

4.2. 마이닝 알고리즘 및 성능 분석

Prefix- 트리 구성 및 유틸리티 패턴 마이닝 알고리즘 :

• 입력된 임계 값에 따라 매번 Prefix- 트리를 새로이 구성하는 것이 아니라 이전에 수행한 마이닝 결과값을 적절히 활용하여 불필요한 계산을 할 필요 없음 .

• 마이닝 과정은 유틸리티 임계값과 트리의 각 노드에 저장된 twu 값을 이용하여 패턴 확장 방식으로 수행되므로 단계별 후보 검증 방법의 문제점이 발생하지 않음 .

• FP-Growth 알고리즘과 같은 패턴 확장 방식의 마이닝 과정에서 특정 항목에 대한 조건 - 트리를 구성할 경우 빈발하지 않은 항목들이 트리 중간에 나타나게 되면 이를 제거하는 과정이 필요 . 이 과정은 조건 - 트리 구성 시간을 느리게 하해 결국 전체적인 마이닝 속도 저하 .

• twu 값을 이용하는 유틸리티 Prefix- 트리에서도 조건 - 트리를 만드는 과정에서 낮은 twu 값을 갖는 노드가 높은 twu 값을 같는 노드 사이에 놓이게 되면 마이닝 속도 저하 .

22

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• Prefix- 트리 구성 및 유틸리티 패턴 마이닝 알고리즘

항목들 순서에 따라트리 변경 후 twu 와 tf 값 변경

tf 순 & twu 순 트리만 재구성

사용자가 입력한 임계 값(minutil) 에 따라 마이닝 수행

23

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• Prefix- 트리 구성 및 유틸리티 패턴 마이닝 알고리즘

• twu 값의 순서로 구성된 Prefix- 트리의 조건 - 트리가 작은 형태를 보임 .

• 패턴 확장 방식으로 마이닝을 하는 경우 대부분의 시간이 각 항목들에 대하여 재귀적으로 조건 - 트리를 구성하고 또 이를 탐색하는데 소요 .

• 따라서 작은 조건 - 트리를 생성할 경우 마이닝의 속도 향상 .

24

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


• Prefix- 트리 구성 및 유틸리티 패턴 마이닝 알고리즘< 트리 재구성 >

• 사용자의 minutil 첫 수행이거나 이전 minutil 이 현재 값 보다 크다면 , 재구성 단계 수행 .

• 항목의 twu 가 minutil 보다 크거나 같으면 헤더 테이블과 함께 트리 생성해 마이닝 수행 .

• 첫 단계의 경우 DB 에서 스캔 .

• 두 번째 단계 이상의 경우 , 앞 단계에서 커버 하지 못한 패턴만 스캔 .

< 마이닝 >• 항목의 트리에서 twu 값이 minutil 보다

작은 항목 제거 .

• 그것으로 조건 - 트리 생성• 조건 - 트리의 헤더 테이블에서 항목들로

패턴 탐색 . • 마이닝 재귀호출 .

25

요약

서론

관련연구

문제 정의

Prefix-Tree


실험 결과

결론


항목 c, d, b 에 대한 재귀적인 조건 - 트리를 구성한 결과

항목 c 에 대해 조건 - 트리를 구성하는 방법 :a. 우선 그림 4 의 Prefix- 트리에서 c 를 포함하는 Prefix- 경로만을 모으고 twu 값과 tf 값도

경로에 나타난 값만을 더함 .

b. 항목 c 의 Prefix- 트리에서 twu 값이 minutil=198 보다 작은 항목들은 유틸리티 패턴에 포함될 수 없으므로 트리에서 제거하고 항목 c 도 제거 .

c. 이 과정에서 패턴 c 와 ce 가 유틸리티 패턴인 것을 찾아낼 수 있다 .( 조건 - 트리를 구성해 빈발패턴 찾는 방법은 [3] 에 자세히 설명되어있다 .)

위에 언급했듯이 twu 값의 내림차순에 따라 구성된 Prefix- 트리가 최적의 유틸리티 마이닝 성능을 보일 수 있음을 알 수 있다 .

26

요약

서론

관련연구

문제 정의



실험 결과

결론

• 5.1 대화형 마이닝에 대한 효율성 비교( 기존의 Two-Phase, FUM, DCG+ 와 성능 비교 )

» 본 논문의 Prefix- 트리를 이용한 높은 유틸리티 패턴 마이닝 기법의 사전순 , tf 순 , twu 순 구성 모두 후보 개수가 같음 .

- 기존의 알고리즘과 비교했을 때 , 후보집합의 수가 확연히 적음 .

- ∴ 시간 효율성도 높으며 , twu 값 순서로 구성된 Prefix- 트리를 사용할 경우 최적의 성능을 보임 .

- 대화형 마이닝을 할 경우 , 제안하는 기법은 첫 번째 minutil 값 이후로는 Prefix- 트리를 재구성 할 필요가 없게 됨 .

- ∴ 두 번째 데이터베이스 스캔 시간을 쉽게 줄임 .

27

요약

서론

관련연구

문제 정의



실험 결과

결론

• 5.2 점증적 마이닝에 대한 효율성 비교

- 각각의 트랜잭션을 추가한 후 tf순과 twu 순인 경우는 마이닝 작업 전에 트리를 재구성 .

- ∴ 데이터베이스가 증가함에 다라 트리 구성과 마이닝 시간이 증가 .

- 모든 트랜잭션 추가 처리 후에 그 트리에 삭제 명령을 수행 .

- ∴ 트랜잭션 삭제 후에도 tf 순과 twu 순인 경우 마이닝 작업 전에 트리를 재구성하게 된다 . 따라서 데이터베이스가 감소함에 따라 트리 구성과 마이닝 시간이 감소 .

28

요약

서론

관련연구

문제 정의



실험 결과

결론

• 본 논문의 주요 공헌은 ,현재 이용 가능한 메모리 크리 범위 내에서 대량 데이터 삽입 , 삭제 , 수정 작업들이 빈번히 발생하는 점증적 데이터베이스를 처리할 수 있는 새로운 유틸리티 패턴 마이닝 알고리즘을 고안한 것 .

• 제안한 기법에서는 항목의 사전적 순서 , 빈도수 순서 , twu 순서로 구성한 3가지 다른 Prefix- 트리를 사용 .

• 성능 비교

• 기여1. 기존 연구의 문제점인 후보생성 및 검사 전략 없이 가능한 패턴증가 접근

방식을 유틸리티 마이닝에도 사용할 수 있음을 입증 .2. 한번의 구성으로 여러 차례의 마이닝이 가능 ∴ 대화식 마이닝에 적합 .3. 대용량의 트랜잭션들의 변경이 발생해도 점진적으로 마이닝이 가능 . 4. 대량의 서로 다른 항목들을 처리하는데도 효과적이고 확장 가능 .

항목 순서 : 사전적 순서 출현빈도 순서 twu 값 순서

공통요소 Prefix- 트리를 이용한 높은 유틸리티 패턴 마이닝 기법

장점단순 & 쉽게 구성

트리의 재구성 작업 불필요메모리 효율성 최적의 마이닝 성능

단점 트리의 재구성 필요 트리의 재구성 필요

Thank You

29

정병수 et al, 정보과학회논문지, 2009

Documents