کاوش قوانین انجمنی با استفاده از یادگیری عمیق

در دنیای امروز، با گسترش چشمگیر داده های حجیم و پیچیده در حوزه های گوناگون، نیاز به روش های نوین برای استخراج دانش پنهان در داده ها بیش از پیش احساس می شود. یکی از راهکارهای موثر در این زمینه، کشف قوانین انجمنی است که قادر است روابط معنایی میان اقلام یا ویژگی های مختلف را در مجموعه های داده آشکار سازد. با این حال، اجرای مستقیم الگوریتم های سنتی مانند اپریوری بر داده های خام و پرنویز، اغلب منجر به تولید قوانین ضعیف و نامعتبر می شود. در این پژوهش، رویکردی نوین با بهره گیری از ترکیب یادگیری عمیق و الگوریتم های کلاسیک ارائه شده است. یادگیری عمیق، به عنوان یکی از روش های پرکاربرد در این حوزه، به منظور کاهش ابعاد داده، استخراج ویژگی های موثر و حذف نویز، در مرحله پیش پردازش مورد استفاده قرار گرفته است. این مرحله، نقش کلیدی در بهبود ساختار داده ها و آماده سازی آن ها برای اجرای بهینه الگوریتم اپریوری ایفا می کند. پس از فشرده سازی و بازنمایی داده ها به صورت بردارهای ویژگی بهینه، الگوریتم اپریوری برای کشف روابط انجمنی میان آیتم ها به کار گرفته شده است. این فرآیند منجر به استخراج قوانینی با سطح پشتیبانی و اطمینان بالاتر، و همچنین معنا داری بیشتر شده است. نتایج حاصل از پیاده سازی روش پیشنهادی بر مجموعه ای از داده های واقعی، نشان دهنده ی افزایش دقت، کاهش زمان محاسباتی، و بهبود کیفیت نتایج نهایی نسبت به اجرای صرف الگوریتم اپریوری بوده است. افزون بر این، تحلیل کیفی و کمی قوانین استخراج شده، کارایی مدل را در حوزه هایی مانند تحلیل رفتار مشتری، تشخیص الگوهای خرید، و بهینه سازی فرآیندهای تجاری، به خوبی نمایان ساخته است. این پژوهش نه تنها نشان دهنده ی قابلیت های بالای استفاده از یادگیری عمیق در داده کاوی می باشد، بلکه چشم اندازی روشن برای توسعه ی سامانه های هوشمند تصمیم یار ارائه می دهد.

کلیدواژه ها:

داده کاوی ، کاوش قوانین انجمنی ، یادگیری عمیق ، رمزگذار خودکار ، شبکه ی عصبی بازگشتی