قواعد الارتباط للتعلم النشط
- قدّمه
- Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
- السنة
- 2010s
- النوع
- Interactive pattern mining
- العائلة
- Machine learning
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تجمع قواعد الارتباط للتعلم النشط بين حلقة الاستعلام والتصنيف التكرارية للتعلم النشط وتعدين قواعد الارتباط، مما يسمح لخبير بشري بتوجيه عملية الاكتشاف بشكل تفاعلي. بدلاً من تعداد جميع القواعد بشكل شامل فوق عتبة دعم وثقة ثابتة، يختار النظام المرشحين الأكثر إفادة للقواعد ويطلب من المستخدم الحكم على أهميتها، مع تركيز البحث على الأنماط المفيدة ذاتيًا.
الفكرة الحدسية وراء الطريقة
يغرق تعدين قواعد الارتباط القياسي المستخدم بآلاف القواعد فوق حد دعم أدنى، معظمها مكرر أو غير ذي صلة. التعلم النشط يقلب هذا: يقدم الخوارزمية فقط القواعد المرشحة الأكثر غموضًا أو مفاجأة لخبير بشري، ويجمع التعليقات حول ما إذا كانت كل قاعدة مثيرة للاهتمام، ويحدث نموذج تفضيلات المستخدم بعد كل استعلام. على مدار جولات متتالية، يتعلم التمييز بين القواعد التي يهتم بها المحلل والضوضاء، مما يضيق مساحة البحث بشكل كبير ويكشف عن الأنماط القابلة للتنفيذ بكفاءة أكبر بكثير من التعداد الشامل.
التاريخ
ظهرت قواعد الارتباط للتعلم النشط في العقد الأول من القرن الحادي والعشرين استجابةً لمشكلة انفجار القواعد المعروفة في تعدين قواعد الارتباط. أسس عمل بولي وزملاؤه على أخذ عينات الأنماط المباشرة (2013) وعمل دزيوبا وفان ليوفن على الأهمية الذاتية (2017) الإطار الرسمي للاستعلام عن تفضيلات المستخدم لتوجيه اكتشاف القواعد. يستند النهج إلى أبحاث سابقة في التعدين التفاعلي للبيانات ويرتبط بأدبيات التعلم النشط الأوسع التي بدأها كوهن وأطلس ولادنر (1994).
متى تُستخدم
استخدم قواعد الارتباط للتعلم النشط عندما تكون قاعدة بيانات المعاملات كبيرة، ويكون عدد القواعد فوق العتبة غير قابل للإدارة (آلاف إلى ملايين)، ويتوفر خبير مجال لتقديم ملاحظات تكرارية أثناء جلسة التعدين. وهي ذات قيمة خاصة في سياقات اكتشاف المعرفة - المعلوماتية السريرية، وتحليل سلة البيع بالتجزئة، أو توليد الفرضيات العلمية - حيث تكون الأهمية الذاتية مهمة بقدر الأهمية الإحصائية. لا تستخدمها عندما لا يتوفر خبير تفاعلي، أو عندما تكون مجموعة القواعد الكاملة مطلوبة للأتمتة اللاحقة، أو عندما تكون قاعدة بيانات المعاملات صغيرة جدًا بحيث يكون التعداد الشامل أمرًا تافهًا.
الحدود والاعتبارات
- يتطلب خبيرًا بشريًا تفاعليًا طوال الجلسة، وهو أمر غير عملي لخطوط الأنابيب المؤتمتة بالكامل.
- تعتمد جودة النتائج بشكل كبير على اتساق وخبرة المجال للخبير المصنف.
- مشكلة البداية الباردة: نموذج التفضيل غير مفيد في البداية، لذلك قد لا تكون الاستعلامات الأولية مستهدفة بشكل جيد.
- النهج أقل رسوخًا من تعدين قواعد الارتباط الدفعي، مع عدد أقل من التطبيقات الجاهزة.
- التقييم ذاتي بطبيعته وأصعب في القياس من الطرق الإحصائية البحتة.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يقلل بشكل كبير من عدد القواعد التي يجب على المستخدم فحصها من خلال تركيز البحث على الأنماط المثيرة للاهتمام ذاتيًا.
- يتكيف مع تفضيلات المحلل الفردي بدلاً من فرض مقياس أهمية عالمي.
- يتحد جيدًا مع أي عامل تعدين قواعد أساسي (Apriori، FP-growth، أخذ عينات عشوائي) كخطوة توليد المرشحين.
- يدعم الاستكشاف التكراري دون مطالبة المستخدم بتحديد عتبات الدعم والثقة مسبقًا.
- يتوسع إلى مساحات قواعد كبيرة قد تطغى على المحلل بخلاف ذلك.
التطبيقات
- المعلوماتية السريرية: اكتشاف تزامنات الأحداث الضارة للأدوية التي يعتبرها عالم الأدوية معقولة سريريًا.
- تحليل سلة البيع بالتجزئة: الكشف عن فرص البيع المتبادل التي يجدها مدير الفئة قابلة للتنفيذ.
- توليد الفرضيات العلمية: تحديد أنماط التزامن في مجموعات بيانات الجينوم أو العلوم الاجتماعية التي تتطابق مع حدس الخبراء.
- كشف الاحتيال: التعدين التفاعلي لأنماط المعاملات التي يحددها محلل الاحتيال على أنها مشبوهة.
- أنظمة التوصية: تعلم قواعد تزامن العناصر الخاصة بالمستخدم لتخصيص التوصيات.
كيف يعمل
كيف يعمل
يتم إنشاء مجموعة أولية من قواعد الارتباط المرشحة - إما بشكل شامل (على سبيل المثال، عبر Apriori أو FP-growth حتى عتبة فضفاضة) أو عن طريق أخذ العينات. يمكن أن تكون هذه المجموعة ضخمة في قواعد بيانات المعاملات عالية الأبعاد، لذا فإن مكون التعلم النشط أمر بالغ الأهمية للقدرة على المعالجة.
يختار النظام قاعدة المرشح الأكثر إفادة لتقديمها للمستخدم، عادةً باستخدام دالة اكتساب مثل أخذ عينات عدم اليقين، أو تغيير النموذج المتوقع، أو درجات الأهمية الذاتية. يقوم المستخدم بتصنيف القاعدة على أنها مثيرة للاهتمام أو غير مثيرة للاهتمام.
بعد كل تصنيف من المستخدم، يقوم النظام بتحديث نموذجه الداخلي لتفضيلات المستخدم - عادةً نموذج بايزي أو خطي يلتقط ميزات القاعدة (الدعم، الثقة، الرفع، هوية العنصر) التي يجدها المستخدم جذابة - ويعيد ترتيب المرشحين المتبقين وفقًا لذلك.
باستخدام نموذج التفضيل المحدث، يتم إعادة تقييم جميع قواعد المرشحين المتبقية. يتم إعطاء الأولوية للقواعد ذات الدرجات العالية للعرض في الجولات اللاحقة، ويتم تقليم القواعد المهيمنة أو المكررة تقريبًا لتجنب عرض أنماط مماثلة بشكل متكرر.
تستمر الحلقة حتى يرضى المستخدم، أو تنفد ميزانية الاستعلام الثابتة، أو ينخفض الربح المتوقع من الاستعلامات الإضافية عن عتبة معينة. الناتج هو مجموعة صغيرة ومنسقة من القواعد مرتبة حسب اهتمام المستخدم المتوقع.
الأخطاء الشائعة
- تقديم قواعد شبه مكررة في استعلامات متتالية، مما يتسبب في إرهاق المستخدم وتصنيفات مشوشة - استخدم قيود التنوع أو تقليم التكرار.
- تجاهل مشكلة البداية الباردة عن طريق عدم توفير قواعد افتراضية معقولة أو مرحلة إحماء قصيرة قبل بدء الاستعلام النشط.
- معاملة القائمة النهائية المصنفة كنتيجة تم التحقق منها إحصائيًا دون الإبلاغ أيضًا عن مقاييس جودة القواعد القياسية (الدعم، الثقة، الرفع).
- خلط درجة الأهمية الذاتية مع الأهمية الإحصائية الموضوعية، وهما كميتان منفصلتان.
الأسئلة الشائعة
كم عدد الاستعلامات التي يحتاجها المستخدم للإجابة عليها؟
في الممارسة العملية، تشير الدراسات إلى أنه يمكن تعلم نماذج تفضيلات مفيدة ببضع 20 إلى 50 استعلامًا فقط، على الرغم من أن الميزانية تعتمد على تنوع مساحة القواعد واتساق الخبير.
هل يحل هذا محل تعدين قواعد الارتباط القياسي؟
لا. إنه مكمل: عادةً ما يستخدم التعدين القياسي (Apriori، FP-growth) لتوليد المرشحين، ثم تقوم حلقة التعلم النشط بتصفيتها وترتيبها وفقًا لتفضيلات الخبير. لا تزال مجموعة القواعد الكاملة يتم إنشاؤها داخليًا.
ماذا لو اختلف الخبراء المختلفون على القواعد المثيرة للاهتمام؟
تتعلم قواعد الارتباط للتعلم النشط نموذج تفضيل واحد لكل جلسة. عند مشاركة خبراء متعددين، يمكن تجميع نماذج التفضيلات (على سبيل المثال، عن طريق التصويت بالأغلبية على التصنيفات) أو يمكن تشغيل جلسات منفصلة ودمج قواعدها ذات التصنيف الأعلى.
كيف تختلف الأهمية عن الثقة أو الرفع؟
الثقة والرفع هي مقاييس إحصائية موضوعية يمكن حسابها من البيانات. الأهمية الذاتية تعتمد على المستخدم - يمكن أن يكون للقاعدة رفع عالٍ ولكنها واضحة بشكل تافه للخبير وبالتالي غير مثيرة للاهتمام، أو يمكن أن يكون لها رفع متواضع ولكنها جديدة وقابلة للتنفيذ.
هل يمكنني استخدام هذا بدون خبير تصنيف في الوقت الفعلي؟
إذا كانت تسميات التفضيلات التي تم جمعها مسبقًا متاحة (على سبيل المثال، من جلسة سابقة)، فيمكن تدريب نموذج التفضيل دون اتصال وتطبيقه في وضع الدفعات، على الرغم من أن هذا يفقد الفائدة التكيفية للملاحظات في الوقت الفعلي.
طرق ذات صلة
المصادر
Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer.
افتح مرجع المنشورتم النسخ.Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM.
افتح مرجع المنشورتم النسخ.