초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

데이터로부터 숨겨진 패턴을 추출하는 데이터마이닝 기법 중에서 연관규칙은 대용량의 데이터베이스에서 단위 트랜잭션 당 동시에 발생할 확률이 높은 항목들의 유형을 발견하는 기법이다. 연관규칙 탐사에서 개념계층(taxonomy)을 사용하여 보다 포괄적인 의미를 갖는 규칙을 찾아내는 연구가 일반화된 연관규칙이며 이를 통해 일반화 이전에는 간과될 수 있는 중요한 규칙을 발견할 수 있다. 일반화된 연관규칙에 관한 기존의 접근방법은 후보항목집합의 각 항목에 대한 개념계층상의 모든 조상들을 트랜잭션에 추가한 후 확장된 트랜잭션에 대해 지지도를 계산하는 방법이며. 이렇게 되면 연관규칙의 단점중의 하나인 계산량 문제가 더욱 두드러지게 된다. 이에 본 연구에서는 모든 개념계층 레벨이 아닌, 사용자가 관심 있는 레벨로 제한된 환경에서 연관규칙 탐사를 수행하여 규칙생성의 복잡도를 줄이는 시스템을 구현하였다. 그러나 모든 항목을 한 레벨로 일반화하는데는 무리가 따르기 때문에 관심있는 항목의 경우 일반화 레벨을 따로 명시할 수 있도록 하여 사용자가 원하는 규칙을 발견하도록 하였다.

데이터로부터 숨겨진 패턴을 추출하는 데이터마이닝 기법 중에서 연관규칙은 대용량의 데이터베이스에서 단위 트랜잭션 당 동시에 발생할 확률이 높은 항목들의 유형을 발견하는 기법이다. 연관규칙 탐사에서 개념계층(taxonomy)을 사용하여 보다 포괄적인 의미를 갖는 규칙을 찾아내는 연구가 일반화된 연관규칙이며 이를 통해 일반화 이전에는 간과될 수 있는 중요한 규칙을 발견할 수 있다. 일반화된 연관규칙에 관한 기존의 접근방법은 후보항목집합의 각 항목에 대한 개념계층상의 모든 조상들을 트랜잭션에 추가한 후 확장된 트랜잭션에 대해 지지도를 계산하는 방법이며. 이렇게 되면 연관규칙의 단점중의 하나인 계산량 문제가 더욱 두드러지게 된다. 이에 본 연구에서는 모든 개념계층 레벨이 아닌, 사용자가 관심 있는 레벨로 제한된 환경에서 연관규칙 탐사를 수행하여 규칙생성의 복잡도를 줄이는 시스템을 구현하였다. 그러나 모든 항목을 한 레벨로 일반화하는데는 무리가 따르기 때문에 관심있는 항목의 경우 일반화 레벨을 따로 명시할 수 있도록 하여 사용자가 원하는 규칙을 발견하도록 하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 이러한 접근 방법은 연관규칙의 단점인 계산량을 고려할 때 바람직하지 않을 수 있다. 이에 본 논문에서는 일괄적인 일반화를 제시하고 특정 아이템의 경우 일반화 레벨을 따로 명시하여 예외를 허용할 수 있는 시스템을 구현하였다.
• 이에 본 연구에서는 모든 개념계층 레벨이 아닌, 사용자가 관심 있는 레벨로 제한된 환경에서 연관규칙 탐사를 수행하여 규칙생성의 복잡도를 줄였다. 그러나 모든 항목을 한 레벨로 일반화하는 데는 무리 가 따르기 때문에 관심 있는 항목의 경우 일반화 레벨을 따로 명시할 수 있도록 하여 사용자가 원하는 규칙을 발견하도록 하였다.
• 연관규칙 탐사에서 개념계층(taxonomy)을 사용하여 보다 포괄적인 의미를 갖는 규칙을 찾아내는 연구가 수행되었는데, 이를 일반화된 연관규칙(GaieralizedAssociaticxi * 본 연구는 KO&H(98-0102-01T)l-3)의 지원에 의해서 수행되었음 Rules)이라 한다[4]. 트랜잭션의 각 항목이 속하는 계 충적 카테고리인 개념계층을 연관규칙 탐사에 이용하여 보다 상위 레벨에 해당하는 일반적인 규칙을 찾는 것이다.

제안 방법

• 2%의 최소지지도와 60%의 신뢰도를 기준으로 아래의 [표 1]과 같이 경우를 나누어 연관규칙을 찾아보았다.
• 연관규칙은 특히 계산량이 문제시되는 마이닝 기법으로 항목이 증가할수록 계산량은 기하급수적으로 늘어나게 된다. 그렇기 때문에 개념계층을 통한 일반화가 필요하며, 최적성 접근 방법으로 일괄적인 일반화를 구현하는 시스템을 설계하고 구현하였다. 또한 모든 항목을 한 레벨로 일반화하는 데는 무리가 따르기 때문에 관심 있는 항목의 경우 일반화 레벨을 따로 명시 할 수 있도록 하여 사용자가 원하는 규칙을 발견하도록 하였다.
• 그렇기 때문에 개념계층을 통한 일반화가 필요하며, 최적성 접근 방법으로 일괄적인 일반화를 구현하는 시스템을 설계하고 구현하였다. 또한 모든 항목을 한 레벨로 일반화하는 데는 무리가 따르기 때문에 관심 있는 항목의 경우 일반화 레벨을 따로 명시 할 수 있도록 하여 사용자가 원하는 규칙을 발견하도록 하였다.

대상 데이터

• 위의 시스템을 적용하여 몇 가지 실험을 하였다. 사용 데 이 터는 MS SQL Server의 샘플 데이터로, 251, 395건의 개별적인 거래내역을 갖고 있으며 실험에서는 이 중 일부인 24, 278건을 사용하였다. 데이터의 개념계층(taxonomy hierarchy)을 살펴보면, 최상위인 product-family 레벨은 3개의 항목이 있고, department 레벨은 21개, category 레벨은 47개, subcategory 레벨은 110개, product_name은 L560개의 항목이 있다.

성능/효과

• 위의 5가지 실험을 종합해 볼 때, 일반화 레벨이 높으면 높을수록 threshold를 만족시켜 더 많은 규칙이 발견되는 경향을 보이며, 특정 항목 선정 시 해당 항목 이 나타나는 규칙이 발견되어 사용자가 원하는 형태의 규칙이 생성됨을 확인하였다.

후속연구

• 앞으로는 규칙의 표현 시 각 항목이 속하는 개념계층 레벨의 병행 표기가 필요하며 특정 항목 선정 시 도움을 줄 수 있는 통계분석이 추가되어야 하겠다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기