[논문]Socially aware computing을 위한 대규모 데이터베이스의 연관 규칙 감축 기법

정휘운; 박건용; 박종창; 윤희용

Socially aware computing을 위한 대규모 데이터베이스의 연관 규칙 감축 기법
Association Rule Mining Scheme of Large-Scale Database for Socially Aware Computing 원문보기

정휘운 (성균관대학교 정보통신대학) , 박건용 (성균관대학교 정보통신대학) , 박종창 (성결대학교 컴퓨터공학부) , 윤희용 (성균관대학교 정보통신대학)

연관 규칙 감축 기법은 대규모 데이터를 사용하는 Socially aware computing분야에서 매우 중요한 이슈이다. 본 논문에서는 수집된 각종 데이터들을 각 속성 기준에 따라 이진 변환한 후 가중치를 부여하고 논리식 감축 방법을 이용하여 신뢰성을 보장하는 규칙을 도출하는 새로운 데이터 감축 기법을 제안한다. 이는 컴퓨터 시뮬레이션 결과 기존의 방식들에 비해 지지도, 신뢰도, 규칙 감소율, 연관 규칙 추출 시간에 좋은 성능을 보였으며 이는 빠른 시간 내에 신뢰성 높은 대규모 데이터 처리가 필요한 Socially aware computing분야에 적합하다고 판단한다.

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

문제 정의

본 논문에서는 데이터를 이진 변환하여 가중치를 부여하고 최소 가중치를 만족하지 못하는 데이터를 사전에 제거한 후 논리식 감축 기법을 사용하여 연관 규칙의 감축을 진행하는 새로운 연관 규칙 감축 기법을 제안하였다. 컴퓨터 시뮬레이션을 통해 제안하는 방법의 성능을 평가한 결과 기존의 방식들에 비해 지지도와 신뢰도, 규칙 감소율이 증가하였고 데이터 처리 시간이 감소하는 것으로 나타났다.

제안 방법

평가를 위한 데이터베이스는 임의로 구축한 전건부 7개와 후건부 2개의 속성을 가진 바디센서데이터를 사용하였다. 각 데이터들은 일정 수치를 넘었을 경우 1 그렇지 않은 경우 0인(예를 들어, 몸무게가 정상치면 0 비 정상치면 1) 이진수 형태로 표현되게 하였으며 데이터의 셋의 규모는 1000개부터 10000개까지 점차적으로 늘려가면서 평가를 실행하였다.
가장 먼저 수집된 각각의 데이터를 각 데이터 속성별 기준을 통해 이진수로 표현한다. 그 후 데이터 집합을 전건부의 규칙의 이상치(1로 표현) 개수에 따라 오름차순으로 나열하며 이 중 이벤트 발생(후건부를 1로 표현)의 규칙을 추출하여 정렬한다. 정렬된 데이터 집합에 사전 확률을 계산하여 그에 따른 가중치(사후 확률)를 도출한다.
다음 이렇게 정리된 데이터 집합을 이상치의 개수가 n개인 규칙과 n+1인 규칙을 비교하고 don’t care bit가 일치하는 규칙들을 결합한다.
본 논문에서는 다수의 센서를 통해 수집된 데이터 집합을 각각의 데이터 속성에 따른 기준을 가지고 이진 변환 후, 각 데이터에 대한 사전 확률을 추출, 그에 따른 가중치를 부여하고 논리식 간소화 기법인 Quine Mccluskey method를 사용한 새로운 데이터 감축 기법을 제안한다. 이 방법은 신뢰성이 떨어지는 규칙을 감축시켜 연관 규칙 추출 효율을 향상시킬 수 있다.
연관 규칙 추출기법으로 널리 사용되고 있는Apriori-algorithm 그리고 FP-growth algorithm과 본 논문에서 제안하는 New-Scheme을 비교하여 데이터의 규모에 따른 신뢰도, 지지도, 규칙감소율, 데이터 처리 속도에 대해서 평가를 진행하였다.
이 섹션에서 우리는 대규모 데이터베이스내의 다양한 연관 규칙을 효율적으로 감축하며 신뢰성과 지지도가 보장되는 연관 규칙을 도출하는 방법을 제안한다. 대용량 데이터베이스에서 사용자가 원하는 특별한 데이터들의 신뢰성 높은 규칙을 찾는 것은 대규모 데이터를 다루는 Socially aware computing 분야를 비롯한 많은 IT 분야에 유용하게 쓰일 수 있다.
이 섹션에서는 본 논문에서 제안하는 방법의 성능을 컴퓨터 시뮬레이션을 이용하여 평가하고자 한다.
그 후 데이터 집합을 전건부의 규칙의 이상치(1로 표현) 개수에 따라 오름차순으로 나열하며 이 중 이벤트 발생(후건부를 1로 표현)의 규칙을 추출하여 정렬한다. 정렬된 데이터 집합에 사전 확률을 계산하여 그에 따른 가중치(사후 확률)를 도출한다. 이때 최소 가중치에 부합 하지 못하는 규칙은 데이터 집합에서 제거한다.

대상 데이터

평가를 위한 데이터베이스는 임의로 구축한 전건부 7개와 후건부 2개의 속성을 가진 바디센서데이터를 사용하였다. 각 데이터들은 일정 수치를 넘었을 경우 1 그렇지 않은 경우 0인(예를 들어, 몸무게가 정상치면 0 비 정상치면 1) 이진수 형태로 표현되게 하였으며 데이터의 셋의 규모는 1000개부터 10000개까지 점차적으로 늘려가면서 평가를 실행하였다.

데이터처리

섹션2에서 연관 규칙 감축과 관련 주요 Algorithm에 대해 설명한다. 섹션3에서는 제안하는 연관 규칙 감축 기법에 대한 간단한 설명 및 컴퓨터 시뮬레이션을 이용하여 기존의 방법들과 성능을 비교, 평가한다. 마지막으로 섹션4에서 결론과 향후 연구에 대해서 서술한다.

성능/효과

그림 4는 데이터 규모에 따른 규칙 추출 시간을 비교하여 나타낸 것으로 데이터의 규모가 비교적 작을 때 본 논문에서 제안하는 scheme이 FP-growth algorithm보다 규칙 추출 시간이 오래 걸리지만 데이터 규모가 커질수록 우리의 scheme이 더 효율이 높아진다는 것을 확인하였고 이는 대규모 데이터 처리가 반드시 필요한 Socially aware computing분야에 적절하게 적용될 수 있으리라 생각한다.
또한 그림 3에서 볼 수 있듯이 본 논문에서 제안하는 scheme은 가장 높은 규칙 감축율을 보였고 이는 신뢰성 높은 최소한의 데이터들과 빠른 비교를 통해 정확한 서비스를 도출하는데 효율적임을 보인다.
이 방법은 신뢰성이 떨어지는 규칙을 감축시켜 연관 규칙 추출 효율을 향상시킬 수 있다. 또한 컴퓨터 시뮬레이션 결과, 관련 분야에 많이 적용되고 있는 Apriori-algorithm과 FP-growth algorithm에 비해 지지도, 신뢰도, 규칙 감소율, 연관 규칙 추출 시간에 좋은 성능을 보였으며 이는 빠른 시간 내에 신뢰성 높은 대규모 데이터 처리가 필요한 Socially aware computing 분야에 적합하다고 생각한다.
본 논문에서 제안하는 scheme은 비교군인 다른 두 개의 알고리즘에 비해 높은 지지도와 신뢰도를 보장한다는 결과를 알 수 있다.
본 논문에서는 데이터를 이진 변환하여 가중치를 부여하고 최소 가중치를 만족하지 못하는 데이터를 사전에 제거한 후 논리식 감축 기법을 사용하여 연관 규칙의 감축을 진행하는 새로운 연관 규칙 감축 기법을 제안하였다. 컴퓨터 시뮬레이션을 통해 제안하는 방법의 성능을 평가한 결과 기존의 방식들에 비해 지지도와 신뢰도, 규칙 감소율이 증가하였고 데이터 처리 시간이 감소하는 것으로 나타났다.

후속연구

향후 연구로는 데이터의 이진 변화 없이 다진 속성 값을 바로 처리 할 수 있는 연관 규칙 감축 방법론에 대한 연구가 요구된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Socially aware computing을 위한 대규모 데이터베이스의 연관 규칙 감축 기법
Association Rule Mining Scheme of Large-Scale Database for Socially Aware Computing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Socially aware computing을 위한 대규모 데이터베이스의 연관 규칙 감축 기법 Association Rule Mining Scheme of Large-Scale Database for Socially Aware Computing 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Socially aware computing을 위한 대규모 데이터베이스의 연관 규칙 감축 기법
Association Rule Mining Scheme of Large-Scale Database for Socially Aware Computing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper