방향성이 있는 유사성 측도에 의한 연관성 규칙 탐색

Exploration of Association Rules by Directional Similarity Measures

연관성 규칙은 거대한 양의 데이터베이스에 내재되어 있는 항목들 간의 관련성을 탐색하는 기법이다. 일반적인 연관성 규칙 생성과정은 먼저 사용자가 지정한 최소 지지도를 만족시키는 빈발항목집합을 생성한 후, 최저 신뢰도 기준을 만족하는 것을 규칙으로 채택하게 된다. 이 때 사용되는 지지도와 신뢰도는 계산된 값만으로는 연관성의 방향을 알 수가 없다. 본 논문에서는 이러한 문제를 해결하기 위해 군집분석이나 다차원 분석에서 활용되고 있는 방향성이 있는 유사성 측도를 연관성 평가 기준으로 이용하는 방안에 대해 연구하였다. 이러한 유사성 측도를 기존의 연관성 평가기준인 지지도와 신뢰도와의 관계를 수식을 통해 탐색한 후, 예제를 통하여 기존의 지지도 및 신뢰도와 방향성이 있는 유사성 측도들과 비교함으로써 본 논문에서 고려하는 유사성 측도들의 유용성을 알아보았다. 그 결과, 본 논문에서 고려한 유사성 측도들은 신뢰도와는 달리 양과 음의 값을 가질 수 있어 연관성 규칙의 방향을 알 수 있다는 사실을 확인하였다.

Association rule is a popular and well researched technique for discovering interesting relations among large set of data items. General generation process for association rules generates frequent itemset satisfying minimum support, and then adopts rules that satisfy minimum confidence threshold. If we use confidence for association rule generation, we cannot know whether the association is positive or negative by their values, and so we may reach the wrong conclusion. In this paper we apply some directional similarity measures for binary data in cluster analysis and multi-dimensional analysis to association thresholds to compensate for these drawbacks. The comparative studies with support, confidence, and these similarity measures are shown by numerical example.