12、基于关联规则的综合概念描述探索

基于关联规则的综合概念描述探索

1 引言

概念描述是数据挖掘的典型任务之一，旨在对概念或类别进行易于理解的描述。它与分类任务有相似之处，都关注预定义的类别，但概念描述更侧重于描述的可理解性，而非分类的准确性。因此，关联规则、决策规则或决策树常被用于概念建模。

关联规则由R. Agrawal在20世纪90年代初提出，最初用于市场篮子分析。其形式为 $X \Rightarrow Y$，其中 $X$ 和 $Y$ 是项集，且 $X \cap Y = \varnothing$。例如，规则 ${A, B} \Rightarrow {C}$ 表示购买产品A和B的顾客也常常购买产品C。这种规则可用于指导商品摆放、交叉销售或推广新产品，并且适用于任何表格形式的属性值数据。

关联规则有两个基本特征：支持度和置信度。支持度是 $P(Ant \land Suc)$ 的估计值，置信度是 $P(Suc|Ant)$ 的估计值。在关联规则发现中，任务是找出支持度和置信度高于用户定义阈值（$minconf$ 和 $minsup$）的所有规则。常见的算法有Apriori和FP - Growth。Apriori算法分两步进行，先广度优先搜索找出所有频繁项集，再生成置信度至少为 $minconf$ 的关联规则；FP - Growth算法使用FP - 树生成频繁项集，只需对整个数据进行两次扫描，降低了计算成本。

然而，使用关联规则进行数据挖掘时，主要问题是规则的解释。通常会得到大量关联规则，每个规则对领域专家或最终用户可能都有意义。因此，对关联规则进行后处理的自动支持将非常有帮助。

1.1 关联规则后处理的必要性

关联规则挖掘会产生大量规则，这些规则的解释和分析对于用户