کشف الگوهای تکراری در داده های فروشگاه های آنلاین

کشف الگوهای مکرر و استخراج قوانین انجمنی یکی از شاخه های مهم داده کاوی است که نقش موثری در تحلیل رفتار کاربران، مدیریت فروشگاه های اینترنتی، تحلیل تراکنش ها، بازاریابی هدفمند و ده ها کاربرد دیگر دارد. با افزایش حجم داده ها در سال های اخیر نیاز به روش های کارآمدتر برای کشف الگوهای تکراری بیش از پیش احساس می شود. روش های کلاسیک مانند Apriori در بسیاری از سناریوها عملکرد قابل قبولی دارند اما با رشد نمایی تعداد کاندیداها در داده های بزرگ کارایی آنها کاهش می یابد و زمان اجرا و مصرف حافظه به شدت افزایش پیدا می کند. در مقابل، روش FP Growth با استفاده از ساختار درختی فشرده و تولید نکردن مجموعه های کاندیدا راهکاری سریع تر و کم هزینه تر ارائه می دهد که برای مجموعه داده های وسیع مناسب است. هدف این پژوهش بررسی جامع دو روش Apriori و FP-Growth، تحلیل نقاط قوت و ضعف هر یک، و ارائه مقایسه عملی آنها بر روی یک دیتاست واقعی گرفته شده از وب سایت Kaggle است. معیارهای مقایسه شامل زمان اجرا و تعداد الگوهای کشف شده بوده است. نتایج نشان می دهد که در داده های بزرگ، FP Growth به طور محسوسی از Apriori بهتر عمل می کند و قادر است الگوهای بیشتری را در زمان کمتر استخراج کند. با این حال Apriori همچنان در مجموعه داده های کوچک و متوسط کاربرد دارد و درک ساده تری نسبت به FP-Growth فراهم می سازد. در این مقاله علاوه بر تحلیل نظری، پیاده سازی کامل هر دو روش ارائه شده و محدودیت ها و پیشنهادهای آینده نیز بحث شده است.

کلیدواژه ها:

کشف الگوهای تکراری ، قوانین انجمنی ، الگوریتم Apriori ، الگوریتم FP-Growth ، داده کاوی