Association Analysis

關聯法則雖然在 2019 已經不是最熱門的技術

但其實他是開啟整個 Data mining 的第一把火

Association Rule Mining

Association Rule 就是在一堆 transaction 中

利用其他 items occurrence 的頻率

來預測我們想知道的 item 的 occurrence 機率

例如買尿布就會買啤酒, 買牛奶就會買雞蛋 ...

每次預測可以包含多個 items 合在一起

{Diaper} -> {Beer}
{Milk, Bread} -> {Eggs, Coke}
{Beer, Bread} -> {Milk}

Association Rule 重視的是 co-occurence，而非 causality !

Definition

接下來講解一些 association rule 實作中會遇到的專有名詞 :

  • Itemset

    • 一或多個 item 的組合

    • k-Itemset 表示一個組合有 k 個 items

  • Support count (σ)(\sigma)

    • 這一個 Itemset 在整個 transaction 中出現幾次

    • e.g., σ({Milk, Bread, Diaper})=2\sigma(\begin{Bmatrix} \text{Milk, Bread, Diaper} \end{Bmatrix}) = 2

  • Support (s)(s)

    • 該 Support count 在 transaction 的比例是多少 (ratio from 0 - 1)

    • e.g., s({Milk, Bread, Diaper})=2/5s(\begin{Bmatrix} \text{Milk, Bread, Diaper} \end{Bmatrix}) = 2/5

  • Frequent Itemset

    • 我們會定義一個 minsup (minimum-support)

    • 只要某個 Itemset 的 support 超過 minsup 他就是 Frequent Itemset

  • Association Rule

    • 就是一個關聯的表達格式

    • X→Y∣X,Y are itemsetsX \rightarrow Y \mid X, Y \text{ are itemsets}

    • e.g., {Milk, Diaper}→{Beer}\begin{Bmatrix} \text{Milk, Diaper} \end{Bmatrix} \rightarrow \begin{Bmatrix} \text{Beer} \end{Bmatrix}

  • Rule Evaluation Metrics

    • 要探討該 Itemset 的關聯法則準確度，我們使用 s 和 c 來表達

    • Support (s)

      • 跟上面一樣，就是 itemset 在 transaction 出現的百分比

      • s=σ(X,Y)∣T∣s = \frac{\sigma(X, Y)}{\lvert T \rvert}

    • Confidence (c)

      • 信心度，指的是 YY 有多常跟著 XX 一起出現

      • c=σ(X,Y)Xc = \frac{\sigma(X, Y)}{X}

    • 舉個例子，一樣是用上面出現過的 transaction

      我們想要探討 {Milk, Diaper}→{Beer}\begin{Bmatrix} \text{Milk, Diaper} \end{Bmatrix} \rightarrow \begin{Bmatrix} \text{Beer} \end{Bmatrix} 的關聯度如何

      s=σ(Milk, Diaper, Beer)∣T∣=25=0.4c=σ(Milk, Diaper, Beer)σ(Milk, Diaper)=23=0.6\begin{aligned} s = \frac{\sigma(\text{Milk, Diaper, Beer})}{\lvert T \rvert} = \frac{2}{5} = 0.4\\ c = \frac{\sigma(\text{Milk, Diaper, Beer})}{\sigma(\text{Milk, Diaper})} = \frac{2}{3} = 0.6 \end{aligned}

Full Example

TID

Items

100

A, C, D

200

B, C, E

300

A, B, C, E

400

B, E

  • Minimum support = 2

  • Minimum confidence = 2/3

Frequent Itemset 有 (他們都是 support 大於等於 2 的 Itemset)

{A}, {B}, {C}, {E}, {A, C}, {B, C}, {B, E}, {C, E}, {B, C, E}

而 Strong rule 為 (他們都是 confidence 大於等於 2/3 的 Itemset)

{B, E} -> {C}  (2/3)
{C} -> {A}  (2/3)
{A} -> {C}  (2/2)

Association Rule Mining Task

接著要想出一個方法在 transaction TT, minsup, minconf 的情況下

試著找到 association rule 並滿足以下兩個條件

  • support≥minsup\text{support} \ge \text{minsup}

  • confidence≥minconf\text{confidence} \ge \text{minconf}

Brute Force approach

  1. 先列出所有的 Association rules

  2. 把所有 rules 的 s 和 c 都算出來

  3. 再刪除所有不滿足兩條件的 rules

  4. 不可能 (Computationally prohibitive)

上面只考慮三個物件的 rules 就可以產生好幾種 (考慮賣場有上萬種商品，有幾種 Rules ?)

他們會有一樣的 support，但會有不一樣的 confidence

Find other approach

  1. 先找出所有 Frequent itemsets

  2. 從這些 Frequent itemsets 再產生 strong association rules

  3. 但光是找出 Frequent itemsets 又是 Computationally prohibitive

通常演算法找出的 frequent itemsets 不會超過五組

想像有 d 個 items，要將他們組成所有可能的 itemset 再從中去刪除不為 frequent 的 itemset

d 個 items 就會產生 2d2^d 個 itemsets

  • 我們將 Brute force 套回來看看

    • 所以共要先產生 M=2dM = 2^d 個 Candidate rules

    • 在 database 掃描並更新每個 candidate rules 的 support

    • 再將所有 transactions 比對所有 candidate rules

    • 複雜度將會是 O(NMw)∣N=transactions,w=itemset lengthO(NMw) \mid N = \text{transactions}, w = \text{itemset length}

Strategies

  • 想辦法減少 candidate M=2dM = 2^d ?

    • pruning techniques

  • 想辦法減少 transactions NN ?

    • DHP, vertical-based mining algorithms

  • 想辦法減少 comparisons NMNM ?

    • efficient data strucutres

Apriori Algorithm

Principle

若 itemset 本身為 frequent itemset

那他的 subset 一定也可以是 frequent subset

∀X,Y:(X⊆Y)⇒s(X)≥s(Y)\forall X, Y : (X \subseteq Y) \Rightarrow s(X) \ge s(Y)

意思就是任意 itemset 的 support 一定不會超過他的 subset 的 support

這個方法可以反推回我們在產生所有 itemset 的圖表中

因為 itemset 的 support 一定不會超過 subset

所以若是 subset 已經確定不為 frequent itemset 的話

那底下所有包含該 subset 的 itemset 都一定不會是 frequent itemset

{A,B}≠Frequent itemset⇒Any itemset contains {A,B}≠Frequent itemset\begin{aligned} &\begin{Bmatrix}A, B\end{Bmatrix} \neq \text{Frequent itemset} \\ \Rightarrow &\text{Any itemset contains } \begin{Bmatrix}A, B\end{Bmatrix} \neq \text{Frequent itemset} \end{aligned}

這個原則我們稱為 Anti-monotone !

Notation and Algorithm

  • CkC_k : candidate k-itemsets : 代表所有可能為 frequent 的 itemsets

  • LkL_k : frequent k-itemsets : 所有已滿足 minsup 的 frequent itemsets

  • Algorithm

    k = 1, C_1 = all items

While C_k not empty :
    從 C_k 找出所有符合 minsup 的放入 L_k

    從 L_k 產生出下一階段的 C_k+1

    k = k + 1

Example

  • 先從 C1C_1 刪除不合 minsup 的 itemsets 產生 L1L_1

  • L1L_1 生成下一階段的 C2C_2

  • C2C_2 刪除不合 minsup 產生 L2L_2

  • L2L_2 生成下一階段的 C3C_3

  • C3C_3 刪除不合 minsup 的 itemsets 產生 L3L_3

  • L3L_3 無法再產生 C4C_4

注意在 L2L_2 生成 C3C_3 的時候

{Milk, Beer} 已經不是 frequent itemset

所以包含他的 {Milk, Beer, Diaper} 也不會出現在 C3C_3

如果用暴力破解，總共要產生 (61)+(62)+(63)=41\binom{6}{1} + \binom{6}{2} + \binom{6}{3} = 41 種 itemset

而在這個方法中，我們只產生了 6+6+1=136 + 6 + 1 = 13 種 itemset

Generate Candidates

在產生新的 candidate itemset 時

我們將會使用 lexicographic order 套入 SQL 中

假設現在有 LkL_k 的 itemset

那麼新的 Ck+1C_{k+1} = 原本兩個 k-itemsets 他們共享了其中的 k-1 個 items

我們可以寫成 self-joining 的 SQL 語法

只要前 k - 1 個 item 都一樣

而最後的第 k 個 item 不同，就可以產生新的 candidate

Prune

從現在所有的 (k+1)-itemsets candidates 中

去翻出每一個裡面的 subset k-itemsets 是否有 not frequent 的 itemset

如果有就要刪除該 candidate

Challenges

看起來問題都解決了，但事實上還有一些問題 :

  • 要如何做到在 transaction database 進行 multiple scans

  • 在由 L1L_1 產出 C2C_2 的第二層，在真實問題中會產生非常大量的 itemsets (bottleneck)

  • 計算每一個 candidate 的 support (s) 非常吃力

    • 可以利用 hash tree 加強

Subset Operation

假設我們已經有一群 candidates 的名單

我們要更新他們的 support counts

我們先思考若給定 transaction 那要如何產生所有 3-subset

答案是使用 recursion !

我們將會以此精神結合 hash tree 來加快計算 support count

Hash tree

Hash Tree 的建法很簡單，把現有的 itemset 按照 hash function 的規則建立

其中 leaf node 用來存 itemsets & counts 的列表

而 interior node 則是存放 hash table

先從 item 1 開始按照 hash function 分類

當超過 max leaf size 時，就會以下一個 item 的規則分裂

最後我們將 subset operation 套用到 hash tree 中

找到 transaction 對應的 candidates 就可以 increment 該 candidate 的 count

Other Slide

Rule Generation

我們從 frequent itemset 可以產生各式各樣的 association rules

目前為止，只要是符合 minconf 和 minsup 的 association rules

我們就會將他解釋為 good association rule

但可能有些 rules 是無用或是 duplicated 的

Anti-monotone

在一般情形下，不同的 confidence 間是沒有 anti-monotone 的關係

c(ABC→D)  ̸ ⁣ ⁣ ⁣  ⟹  c(AB→D)c(ABC \rightarrow D) \;\not\!\!\!\implies c(AB \rightarrow D)

但是相同 itemset 所產出的 confidence 可以有 anti-monotone 的關係

c(ABC→D)≥c(AB→CD)≥c(A→BCD)c(ABC \rightarrow D) \ge c(AB \rightarrow CD) \ge c(A \rightarrow BCD)

你可以想像成已知三個條件猜一個

一定比已知兩個條件猜兩個還要簡單很多

所以當我們知道上層的 rule 是不符合 confidence 的

那相同 itemset 所產生的下層 rules 就可以被刪掉

Generate Candidate rules

我們也可以用兩個 rules 來產生新的 rule

透過 shared prefix 來組成新的 rule

但若是新 rule 的 subset 含有 low confidnece rule 那就必須刪除

join(CD→AB,BD→AC)=D→ABCPrune (D→ABC) if (AD→BC) is low confidence.\begin{aligned} &\text{join}(CD\rightarrow AB, BD\rightarrow AC) = D\rightarrow ABC \\ &\text{Prune }(D \rightarrow ABC) \text{ if } (AD \rightarrow BC) \text{ is low confidence.} \end{aligned}

Improvement of Apriori Algorithm

  • Ideas

    • 減少對 database 的 scan 次數

    • 減少 candidates 數量

    • Facilitate support counting of candidates

DHP (Direct Hashing & Pruning)

DHP 的目的是要改善

  • frequent itemsets generation

  • transaction database size reduction

  • reducing of database scans

DHP 將會運用 hashing 的技巧

​將一開始的 itemsets 轉移到 hash table 上

再從 hash table 篩選出 hash 出現次數多的格子

DHP 在 hash 時可能會有誤差，但因為會不斷的往下篩選所以不要緊

在篩選的過程中，也可以慢慢剔除掉不必要的 transactions (如 100, 400)

達到 Reduction on Transaction Database size

Partitioning

因為 potential frequent itemset 常出現在至少一個 partition 中

所以我們將 transaction database 拆分成不重複的 partitions 放入 main memory 中

Divide D into partitions D1, D2, ..., Dp
For i = 1 to p:
    Li = Apriori(Di)
C = L1 + L2 + ... + Lp
Count C on D to generate L

第一次 scan 時，每個 partitions 會分別產生 local frequent itemset

第二次 scan 時，collection of local frequent itemset 就能找出 global candidate itemset

每一個 partitions 能夠平行化運算增加效率

但還是會在第二次 scan 時產生過多的 candidates

Beyond Apriori Algorithm

所以 Apriori 始終沒辦法解決 candidates 過多的問題

我們有辦法避免 candidate generation 嗎？

PreviousIntroductionNextFP-growth

Last updated