2007年3月2日

Adaptive-Support Association Rule Mining for Recommender Systems

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