一般來說，我們在使用Association Rule Mining Algorithm時，例如Apriori，我們必須事先設定minimum support threshold。 但如何選擇適當的值卻不是那麼直覺，常常只能依靠暴力法來解決。此外，也因為沒有對規則有所限制，所以任何的frequent itemset都會產生規則，使得執行時間大幅增加。
上述以market basket analysis為精神的演算法不適用於推薦系統。因為推薦系統常對特定使用者進行推薦商品的動作，所以不須產生所有的frequent itemset。此外推薦系統必須考慮執行效率，特別是要online運作的規則。所以在這篇論文中，作者根據前人的CBA-RG演算法精神加以修改成適合應用於推薦系統的演算法－ASARM。ASARM不須事先指定minimum support threshold，而是指定想要產生規則數的範圍，並且自動地調整minimum support值。所以ASARM不僅省去指定minimum support的困擾，還可以透過指定產生的規則數的方式來控制執行效率。除此之外，ASARM一次只產生特定使用者或特定商品的規則，以避免產生不相關的規則。
論文中除了提出ASARM演算法之外，在進行推薦工作時，作者先產生user association及article association的規則，並把兩者合併使用，使得能提升執行效率卻又不降低準確度。而實驗部分也探討各個參數對precision、recall、accuracy的影響，並觀察到一些現象加以分析。最後再與Billsus和Pazzani在1998年所提出的方法做比較，證明作者所提出的方法在accuracy方面優於Billsus和Pazzani的方法。
PDF檔案連結
Data Mining and Knowledge Discovery, Vol. 6, No. 1 / January, pp.83-105, 2002
