ASP-Based Declarative Process Mining (Extended Abstract)
Sapienza University of Rome（罗马第一大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
我们提出了答案集编程（ASP）作为一种方法来建模和解决问题，从该地区的声明性过程挖掘（PROD）。我们认为在这里三个经典的问题，即，日志生成，一致性检查，查询检查。这些问题是从控制流和数据感知的角度来解决的。该方法是基于（有限状态）自动机的过程规范的表示。由于这些严格来说比事实上的UML标准规约语言DEGEE更有表现力，因此可以处理比UML典型的那些更一般的规约，例如有限迹上的线性时间时态逻辑中的公式。(Full第36届AAAI人工智能会议论文集中提供的版本）。
2022-09-26 cs.AI
Improving the Efficiency of Inductive Logic Programming Through the Use of Query Packs
Katholieke Universiteit Leuven（天主教鲁汶大学）；PharmaDM（法玛迪姆公司）
归纳逻辑程序设计或关系学习是机器学习或数据采掘的强大范例。然而，为了使ILP变得实际有用，ILP系统的效率必须大幅提高。为此，引入了查询包的概念：它构建了类似查询的集合。此外，描述了用于执行这样的查询包的机制。复杂性分析表明，相当大的效率提高，可以通过使用这种查询包执行机制。这一主张是支持的实证结果，通过将支持查询包执行两个现有的学习系统。
2011-06-09 cs.AI
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University（亚琛工业大学）
提出了一种基于校园管理系统数据和学习计划模型，利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径，以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里，事件演算和答案集编程被用来提供模型的研究计划，支持规划和一致性检查，同时提供可能的研究计划违反的反馈。在其组合中，过程挖掘和基于规则的人工智能被用来支持学习规划和监测，通过导出规则和建议，指导学生以更高的成功率更合适的学习路径。将实施两个应用程序，一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
The role of semantics in mining frequent patterns from knowledge bases in description logics with rules
Poznan University of Technology（波兹南理工大学）
我们提出了一种新的方法来挖掘频繁模式的语言，结合语义Web本体和规则。特别是，我们考虑使用的语言相结合的描述逻辑与DL安全的规则的设置。此设置对于语义Web的数据采掘的实际应用非常重要。我们专注于频繁模式发现的任务的表示形式主义的语义的关系，并为我们的方法的核心，我们提出了一种算法，利用组合知识库的语义。我们已经开发了一个概念验证数据采掘实现这一点。使用这一点，我们已经经验表明，使用组合的知识库进行语义测试，可以使数据采掘更快的修剪无用的候选模式之前，他们的评价。我们还表明，所产生的模式集的质量可以得到改善：模式更紧凑，并且模式更少。我们的结论是，利用所选择的表示形式主义的语义（上）关系频繁模式发现方法的设计和应用的关键。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2010-04-01 cs.AI cs.LO
Constraint-based sequence mining using constraint programming
KU Leuven（鲁汶大学）
基于约束的序列挖掘的目标是找到包含在大量输入序列中的符号序列，并且满足用户指定的某些约束。在文献中已经提出了许多限制，但仍然缺少一个总体框架。我们调查使用约束编程作为这项任务的一般框架。我们首先确定四类约束，适用于序列挖掘。然后，我们提出了两个约束规划公式。第一个公式引入了一个新的全局约束，称为存在嵌入。该公式是最有效的，但不支持一种类型的约束。为了支持这样的限制，我们开发了第二个配方，更一般，但会产生更多的开销。这两种公式都可以使用专门算法中使用的投影数据库技术。实验表明，对基于约束的设置的灵活性，并比较现有的方法。
2015-02-25 cs.AI
A Generic Algorithm for Top-K On-Shelf Utility Mining
Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
现成效用挖掘（OSUM）是数据采掘领域的一个新兴研究方向。它的目的是发现在其销售时间段内具有较高相对效用的项集。与传统的效用挖掘相比，OSUM可以发现更多的实用和有意义的模式在现实生活中的应用。然而，传统的OSUM存在一个主要缺点。对于普通用户来说，很难定义一个最小的阈值来挖掘合适数量的现成的高效用项集。一方面，如果阈值设置得太高，则模式的数量将不够。另一方面，如果阈值设置得太低，则会发现太多的模式，并导致不必要的时间浪费和内存消耗。为了解决这个问题，用户通常直接指定一个参数k，其中只考虑前k个高相对效用项集。为此，本文提出了一种基于遗传算法的Top-k Onshelf高效用数据挖掘算法TOIT。TOIT采用了一种新的策略来提高基于货架上的数据集的细节。此外，采用子树效用和局部效用两种新的上界策略对搜索空间进行剪枝。通过采用上述策略，TOIT算法可以尽早缩小搜索空间，提高挖掘效率，减少内存消耗，从而获得比其他算法更好的性能。在不同风格的真实数据集上进行了一系列实验，比较了与最先进的KOSHU算法的效果。实验结果表明，TOIT在运行时间和内存消耗方面都优于KOSHU。
2022-08-27 cs.AI cs.DB
TargetUM: Targeted High-Utility Itemset Querying
Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）
传统的高效用项集挖掘（HUIM）旨在确定事务数据库中所有满足最小效用阈值（\textit{minUtil}）的高效用项集（HUI）。然而，在大多数应用程序中，并不是所有的UI都是有趣的，因为只需要特定的部分。因此，基于用户偏好的目标挖掘比传统的挖掘任务更重要。本文首次提出了一个基于目标的HUIM问题，并在定量交易数据库中提供了一个明确的目标效用挖掘任务。提出了一种基于树的高效用目标查询算法TargetUM。该算法使用一棵字典式查询树和三种有效的剪枝策略来提高挖掘效率。我们在几个真实数据库和合成数据库上进行了实验验证，结果表明，\textbf{TargetUM}的性能是令人满意的，完整的，正确的。最后，由于字典查询树，数据库不再需要重复扫描多个查询。
2021-10-30 cs.AI cs.DB
A Constraint Programming Approach for Mining Sequential Patterns in a Sequence Database
University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
基于约束的模式发现是众多数据采掘任务的核心。模式是相对于一组给定的约束（频率，封闭性，大小等）提取的。在序列模式挖掘的背景下，已经开发了大量专门的技术来解决特定类别的约束。本文的目的是研究使用约束编程（CP）的建模和挖掘序列数据库中的序列模式。我们的CP方法提供了一种自然的方式，在同一个框架中同时结合了来自不同来源的大量约束。实验结果表明，我们的方法的可行性和利益。
2013-11-27 cs.AI cs.DB
HUSP-SP: Faster Utility Mining on Sequence Data
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
高效用序列模式挖掘（HUSPM）由于其广泛的应用和相当的普及，已经成为一个重要的研究课题。然而，由于当HUSPM问题遇到低效用阈值或大规模数据时，搜索空间的组合爆炸，解决HUSPM问题可能是耗时和内存开销的。已经提出了几种算法来解决这个问题，但它们在运行时间和内存使用方面仍然花费很多。在本文中，为了进一步有效地解决这个问题，我们设计了一个紧凑的结构称为序列投影（seqPro），并提出了一个有效的算法，即发现高效用的序列模式与seqPro结构（HUSP-SP）。HUSP-SP利用紧凑的序列数组在序列数据库中存储必要的信息。seqPro结构被设计为有效地计算候选模式的效用和上限值。此外，一个新的上限的效用，即更严格的减少序列效用（TRSU）和两个修剪策略，在搜索空间中，被用来提高挖掘性能的HUSP-SP。在合成和真实数据集上的实验结果表明，HUSP-SP可以显着优于国家的最先进的算法在运行时间，内存使用，搜索空间修剪效率和可扩展性。
2022-12-29 cs.AI cs.DB
A Projected Upper Bound for Mining High Utility Patterns from Interval-Based Event Sequences
University of Regina（里贾纳大学）
针对基于区间的事件序列中高效用模式挖掘效率不足的问题，提出一个投影上界，并被HUIPMiner算法的剪枝策略利用，实验证明其在执行时间和内存使用上均提升了性能。
2022-12-21 cs.AI cs.DB
Totally-ordered Sequential Rules for Utility Maximization
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
高效用序列模式挖掘（HUSPM）是知识发现和数据分析领域的一项重要而有价值的活动，具有许多实际应用。在某些情况下，HUSPM不能提供一个很好的措施来预测会发生什么。高效用序列规则挖掘（HUSRM）发现高效用和高置信度的序列规则，使其能够解决HUSPM中的问题。现有的HUSRM算法都是为了寻找高效用的偏序序列规则，但这些规则与实际情况并不一致，可能产生虚假的偏序序列规则。因此，在本文中，我们制定的问题，高效用全有序的顺序规则挖掘，并提出了两个新的算法，称为TotalSR和TotalSR+，旨在确定所有高效用全有序的顺序规则（HTSR）。TotalSR创建了一个效用表，可以有效地计算前件支持和效用前缀总和列表，可以在O（1）时间内计算序列的剩余效用。我们还引入了一个左优先扩展策略，可以利用反单调属性使用置信度修剪策略。TotalSR还可以大大减少搜索空间的效用上限修剪策略的帮助下，避免更多的无意义的计算。此外，TotalSR+使用辅助先行记录表来更有效地发现HTSR。最后，在真实数据集和合成数据集上的大量实验结果表明，TotalSR比具有较少修剪策略的算法效率更高，并且TotalSR+在运行时间和可扩展性方面比TotalSR更有效。
2022-09-27 cs.AI
Users Constraints in Itemset Mining
CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；University of Oran 1（奥兰第一大学）；CRIL, University of Artois（阿尔图瓦大学CRIL实验室）
发现重要项集是数据采掘的基本问题之一。最近的研究表明，约束编程是解决数据采掘任务的一种灵活的方法。使用约束编程方法，我们可以很容易地表达和有效地回答用户对项目的约束查询。然而，在许多实际情况下，查询也可能表达用户对数据集本身的约束。例如，请求数据集特定部分中的特定项集。本文提出了一个通用的约束规划模型，能够处理任何类型的查询的项目或数据集的项目集挖掘。
2018-02-08 cs.AI cs.DB
US-Rule: Discovering Utility-driven Sequential Rules
Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
效用驱动挖掘是数据科学中的一项重要任务，在现实生活中有着广泛的应用。高效用序列模式挖掘（HUSPM）是一种效用驱动的挖掘。HUSPM的目标是发现所有具有高实用性的序列模式。然而，现有的HUSPM算法不能提供一个准确的概率来处理一些场景的预测或推荐。高效用序列规则挖掘（HUSRM）旨在发现所有具有高效用和高置信度的序列规则。HUSRM算法目前只有一种，效率不高。在本文中，我们提出了一个更快的算法，称为US规则，有效地挖掘高效用的顺序规则。它利用规则估计效用共生剪枝策略（REUCP），以避免无意义的计算。为了提高密集长序列数据集上的效率，提出了四种更严格的上界（LEEU，REEU，LERSU，RERSU）和相应的剪枝策略（LEEUP，REEUP，LERSU，RERSU）.此外，US-Rule提出了规则估计效用重计算剪枝策略（REURP）来处理稀疏数据集。最后，通过在不同数据集上的大量实验，与现有算法进行了比较，结果表明，US-Rule算法在执行时间、内存消耗和可扩展性等方面都有较好的性能。
2021-11-29 cs.AI cs.DB
Temporal Fuzzy Utility Maximization with Remaining Measure
Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）
高效用项集挖掘方法从大量时态数据中发现隐藏模式。然而，高效用项集挖掘不可避免的一个问题是，其发现的结果隐藏了大量的模式，导致可解释性差。结果只反映了消费者的购物倾向，无法帮助决策者量化收集到的信息。从语言学的角度来说，计算机使用的是精确形式化的数学或程序设计语言，但人类使用的语言总是模棱两可的。在本文中，我们提出了一种新的单阶段时间模糊效用项集挖掘方法TFUM。它修改时间模糊列表，以保持较少的，但主要的信息，潜在的高时间模糊效用项目集在内存中，然后发现一个完整的一组真正有趣的模式在很短的时间。特别地，本文首次将剩余测度应用于时态模糊效用项集挖掘领域。剩余的最大时间模糊效用是一个更紧密和更强的上限比以前的研究所采用的。因此，它在TFUM中的搜索空间修剪中起着重要的作用。最后，我们还评估了TFUM在各种数据集上的效率和有效性。大量的实验结果表明，TFUM优于国家的最先进的算法在运行时成本，内存使用和可扩展性。此外，实验证明，剩余措施可以显着修剪不必要的候选人在挖掘过程中。
2022-08-26 cs.AI cs.DB
Flexible Pattern Discovery and Analysis
Shandong University of Science and Technology（山东科技大学）；Jinan University（暨南大学）
基于对数据采掘中支持事务中效用所占比例的分析，高效用占用模式挖掘（highutility-occupationalpattern mining，HUOPM）近年来引起了广泛关注。不像高效用模式挖掘（HUPM），它涉及高效用的枚举（例如，盈利）模式，HUOPM的目标是找到代表现有交易集合的模式。然而，在实际应用中，并非所有模式都被使用或有价值。例如，一个模式可能包含太多的项目，也就是说，该模式可能过于具体，因此对现实生活中的用户缺乏价值。为了获得具有灵活长度的合格模式，我们在挖掘过程中限制最小和最大长度，并引入一种新的算法来挖掘灵活的高效用占用模式。我们的算法被称为HUOPM+。为了保证模式的灵活性和收紧效用占用的上界，提出了一种称为长度上界（LUB）的策略来修剪搜索空间。此外，一个效用占用嵌套列表（UO-nlist）和频率效用占用表（FUO-表），以避免多次扫描的数据库。后续实验的评价结果证实，该算法可以有效地控制衍生模式的长度，为现实世界和合成数据集。此外，它可以减少执行时间和内存消耗。
2021-11-24 cs.AI cs.DB
Web Usage Mining Using Artificial Ant Colony Clustering and Genetic Programming
电子商务的快速发展使企业界和客户都面临着新的形势。由于激烈的竞争，一方面和客户的选择，从几个替代品的商业社会已经意识到智能营销策略和关系管理的必要性。Web使用挖掘试图从用户与Web的交互中获得的辅助数据中发现有用的知识。Web使用挖掘对于有效的Web站点管理、自适应Web站点的创建、商业和支持服务、个性化、网络流量分析等都具有重要意义。蚁群行为及其自组织能力的研究对知识检索/管理和决策支持系统科学具有重要意义，因为它提供了分布式自适应组织模型，其可用于解决困难的优化、分类和分布式控制问题等。在本文中，我们提出了一个蚂蚁聚类算法来发现Web使用模式（数据集群）和线性遗传编程的方法来分析访问者的趋势。实证结果清楚地表明，蚁群聚类表现良好时，相比自组织地图（聚类Web使用模式），即使性能的准确性是不是有效的进化模糊聚类（i-miner）的方法相比。关键词：Web使用挖掘，群体智能，蚂蚁系统，Stigmergy，数据挖掘，线性遗传编程。
2004-12-17 cs.AI cs.NE
An Efficient Algorithm for Mining Frequent Sequence with Constraint Programming
UCLouvain（鲁汶天主教大学）；KU Leuven（荷语鲁汶大学）
用于序列模式挖掘（SPM）的约束编程（CP）方法的主要优点是它们的模块化，其中包括添加新约束（正则表达式，长度限制等）的能力。目前SPM的最佳CP方法使用全局约束（模块）来计算投影数据库并强制执行最小频率;它使用类似于PrefixSpan方法的过滤算法来实现这一点。然而，最终的系统不像一些最先进的采矿系统，如Zaki的cSPADE那样可扩展。我们展示了如何使用技术从数据采掘和CP，可以使用一个通用的约束求解器，但优于现有的专业系统。这主要是由于计算投影频率的模块中的两个改进：首先，可以通过预先计算符号可能变得不被序列支持的位置来加速计算投影数据库，从而避免每次扫描整个序列;第二，从CP求解器中使用的跟踪中获得灵感，设计了一个回溯-感知数据结构，允许快速增量存储和恢复投影数据库。详细的实验显示了这种方法如何优于现有的CP以及SPM的专用系统，并且效率的提高直接转化为其他设置的效率提高，例如使用正则表达式进行挖掘。
2016-04-05 cs.AI cs.DB
Activity Modeling in Smart Home using High Utility Pattern Mining over Data Streams
Anna University（安纳大学）；Sri Venkateswara College of Engineering（斯里文卡特斯瓦拉工程学院）
灵巧家庭技术是人们在关心安全、舒适和节能的同时更好的选择。需要开发能够识别家中居民日常生活活动（ADL）并检测个人模式中异常行为的技术。利用频繁模式挖掘（FPM）、高效用模式挖掘（HUP）等数据采掘技术从采集的传感器数据中发现这些活动模式。但是将上述技术应用于从时间传感器数据流进行活动识别是高度复杂且具有挑战性的任务。为此，提出了一种基于频繁模式流树（FPS - tree）的传感器数据流活动识别方法。FPS是一种基于滑动窗口的方法，用于从数据流中发现最近的活动模式。所提出的工作的目的是在识别频繁的模式，用户从传感器数据流，后来建模为活动识别。FPM算法使用一种称为链接传感器数据流（Linked Sensor Data Stream，LSDS）的数据结构来存储传感器数据流信息，从空间和时间两个方面提高了频繁模式挖掘算法的效率。实验结果表明，该算法的效率和该FPM进一步扩展到应用功率效率使用HUP检测高使用的电力消耗的居民在灵巧家庭。
2013-06-25 cs.AI cs.DB
Towards Target High-Utility Itemsets
Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）；Shenzhen University（深圳大学）
对于应用智能，实用程序驱动的模式发现算法可以识别数据库中有见地和有用的模式。然而，在这些用于模式发现的技术中，模式的数量可能是巨大的，并且用户通常仅对那些模式中的少数模式感兴趣。因此，有针对性的高效用项集挖掘已成为一个关键的研究课题，其目的是找到一个子集的模式，满足有针对性的模式约束，而不是所有的模式。这是一项具有挑战性的任务，因为在非常大的搜索空间中有效地找到定制的模式需要有针对性的挖掘算法。已经提出了称为TargetUM的第一种算法，其采用类似于使用树结构的后处理的方法，但是在许多情况下运行时间和存储器消耗不令人满意。针对这一问题，提出了一种基于列表的模式匹配算法THUIM（Targeted High-Utility Itemset Mining），该算法能够在挖掘过程中快速匹配高效用项集，从而选择目标模式。在不同的数据集上进行了广泛的实验，将所提出的算法的性能与最先进的算法进行比较。实验结果表明，THUIM在运行时间和内存消耗方面表现良好，与TargetUM相比具有良好的可扩展性。
2022-06-09 cs.AI cs.DB
Frequent Itemset Mining with Multiple Minimum Supports: a Constraint-based Approach
Simula Research Laboratory（西穆拉研究实验室）；LIRMM, University of Montpellier, CNRS（蒙彼利埃大学法国国家科学研究中心蒙彼利埃信息与机器人学实验室）
发现包含稀有项的频繁项集的问题受到了广泛的关注。采矿过程需要足够灵活，以便一次性提取常见和稀有的矿物。另一方面，最近已经表明，约束编程是一种灵活的方式来处理数据采掘任务。本文提出了一种挖掘具有多个最小支持度项集的约束规划方法。我们的方法为用户提供了表达任何类型的最小项目支持的约束的可能性。实验分析表明，我们的方法相比，最先进的实际有效性。
2021-09-16 cs.AI cs.DB
Pedagogical Promise and Peril of AI: A Text Mining Analysis of ChatGPT Research Discussions in Programming Education
Pampanga State University（帕曼加州大学）
本文通过文本挖掘分析编程教育中ChatGPT的研究文献，揭示了教学实施、以学生为中心的学习、AI基础设施与人机协作、以及评估与模型评估四大主题，指出需加强评估与治理机制。
2026-05-01 cs.AI cs.CY
Prefix-Projection Global Constraint for Sequential Pattern Mining
Preparatory school of Oran EPSECG（奥兰预备学校 EPSECG）；University of Oran 1（奥兰第一大学）；University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
约束条件下的序列模式挖掘是一个具有挑战性的数据采掘任务。许多有效的ad hoc方法已经被开发用于挖掘序列模式，但它们都缺乏通用性。最近的工作已经调查了约束编程（CP）的方法，但他们仍然是有效的，因为他们的编码。在本文中，我们提出了一个全球性的约束的基础上投影数据库的原则，弥补了这一缺陷。实验表明，我们的方法明显优于CP方法，并在大型数据集上与ad hoc方法竞争。
2015-06-23 cs.AI
Higher Order Programming to Mine Knowledge for a Modern Medical Expert System
School of Computer Engineering, Suranaree University of Technology（素林大学计算机工程学院）
知识挖掘是从大量的数据和背景知识中获取新的有用知识的过程。现代医疗机构定期生成大量存储在数据库中的电子数据。这些数据是一个宝贵的资源，挖掘有用的知识，帮助医生作出适当和准确的诊断和治疗疾病的决定。在本文中，我们提出了一个新的医疗专家系统的设计基于逻辑编程框架。建议的系统包括一个知识挖掘组件作为一个剧目的工具，发现有用的知识。基于高阶和元级编程方案，使用Prolog实现了分类和关联挖掘工具，以体现基于逻辑的语言的强大功能。这种语言还提供了模式匹配功能，这是开发知识密集型任务的基本功能。除了医疗决策支持的主要目标外，我们基于逻辑的知识挖掘组件发现的知识还可以作为背景知识部署到来自其他来源的预处理数据，以及保护数据存储库免受约束违反。还提出了一个知识部署框架。
2011-07-23 cs.AI cs.LO
Towards Improving Solution Dominance with Incomparability Conditions: A case-study using Generator Itemset Mining
School of Computer Science, University of St Andrews（圣安德鲁斯大学计算机学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
发现有趣的模式是数据采掘中一项具有挑战性的任务。基于约束的挖掘是一种众所周知的方法，其中约束编程已被证明是一个非常适合和通用的框架。优势规划已被提出作为一个扩展，可以捕获更广泛的一类基于约束的挖掘问题，通过允许模式之间的关系进行比较。在本文中，除了指定一个优势关系，我们引入了指定一个不可比条件的能力。使用这两个概念，我们设计了一个通用的框架，可以做一个批量明智的搜索，避免检查不可比的解决方案。我们扩展了ESSENCE语言和底层建模管道来支持这一点。我们使用生成器项集挖掘问题作为测试用例，并给出了一个声明性规范。我们还提出了这个特定的问题类与CP求解器后端的初步实验结果表明，在搜索过程中使用的不可比性条件可以提高优势规划的效率，并减少了后处理过滤占主导地位的解决方案的需要。
2019-10-01 cs.AI cs.DB
Itemset Utility Maximization with Correlation Measure
Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；Western Norway University of Applied Sciences（西挪威应用科学大学）
作为一种重要的数据采掘技术，高效用项集挖掘（HUIM）用于发现感兴趣但隐藏的信息（例如，利润和风险）。HUIM已广泛应用于市场分析、医疗检测、网络点击流分析等多个应用场景。然而，大多数以前的HUIM方法往往忽略了项目之间的关系，在一个项目集。因此，许多不相关的组合（例如，\{黄金，苹果\}和\{笔记本，书\}）被发现在HUIM。为了解决这一问题，人们提出了许多挖掘相关高效用项集（CoHUIs）的算法。在本文中，我们提出了一种新的算法，称为项目集效用最大化与相关性度量（CoIUM），它既考虑了强相关性和项目的盈利价值。此外，新算法采用了数据库投影机制，以减少数据库扫描的成本。此外，两个上界和四个修剪策略被用来有效地修剪搜索空间。利用一种简洁的基于数组的效用箱结构，在线性时间和空间上计算和存储所采用的上界。最后，密集和稀疏数据集上的大量实验结果表明，CoIUM显着优于国家的最先进的算法在运行时间和内存消耗。
2022-08-26 cs.AI
An Integer Linear Programming Framework for Mining Constraints from Data
University of California, Los Angeles（加州大学洛杉矶分校）
结构化输出预测问题（例如，顺序标记、分层多类分类）通常涉及对输出标签空间的约束。这些约束与学习模型相互作用，以过滤不可行的解决方案，并促进建立一个负责任的系统。然而，尽管约束很有用，但它们通常基于手工制定的规则。这就提出了一个问题-- \emph{can we mine constraints and rules from data based on a learning algorithm?}在本文中，我们提出了一个从数据中挖掘约束的一般框架。特别是，我们认为在结构化的输出预测推理作为一个整数线性规划（ILP）问题。然后，给定目标函数的系数和相应的解决方案，我们挖掘潜在的约束条件，估计的外部和内部多面体的可行集。我们验证了所提出的约束挖掘算法在各种合成和现实世界中的应用，并证明了所提出的方法成功地识别规模的可行集。特别是，我们表明，我们的方法可以学习解决9 x9数独难题和最小生成树问题的例子，而无需提供的基本规则。我们的算法也可以与一个神经网络模型集成，以学习多标签分类任务的层次标签结构。此外，我们提供了一个理论分析的紧密性的多面体和可靠性的挖掘约束。
2021-06-11 cs.AI cs.LG stat.ML
Towards Correlated Sequential Rules
Tongji University（同济大学）；Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；Shandong University of Science and Technology（山东科技大学）
高效用序列模式挖掘（HUSPM）的目标是在大量序列中有效地发现有用或有益的序列模式。然而，仅仅意识到实用程序合格的模式是不足以进行预测的。为了弥补这一不足，高效用序列规则挖掘（HUSRM）的目的是探索的信心或概率预测发生的后果序列模式的基础上出现的前提序列模式。它有许多应用，如产品推荐和天气预测。然而，现有的算法，被称为HUSRM，是有限的，以提取所有合格的规则，而忽略了生成的顺序规则之间的相关性。为了解决这个问题，我们提出了一种新的算法，称为相关的高效用顺序规则矿工（CoUSR）的相关性的概念集成到HUSRM。该算法不仅要求每个规则是相关的，而且还要求高效用顺序规则的前件和后件中的模式是相关的。该算法采用实用程序列表结构，避免了多次数据库扫描。此外，还采用了多种剪枝策略来提高算法的效率和性能。基于几个真实世界的数据集，随后的实验表明，CoUSR是有效的和高效的操作时间和内存消耗。
2022-10-27 cs.AI
A global Constraint for mining Sequential Patterns with GAP constraint
University of Oran（奥兰大学）；EPSECG of Oran（奥兰高等经济与商业管理学院）；University of Caen（卡昂大学）；University PARIS 13（巴黎第十三大学）
间隔约束下的序列模式挖掘是一个具有挑战性的课题。已经开发了许多有效的专门方法，但它们都缺乏通用性。约束编程（CP）方法由于其编码的大小而不是那么有效。在文献[7]中，我们提出了SPM的全局约束Prefix-Projection，它弥补了这一缺陷。然而，这种全局约束不能直接扩展到支持间隙约束。在本文中，我们提出了全局约束GAP-SEQ，使处理SPM或没有间隙约束。GAP-SEQ依赖于正确模式扩展的原则。实验表明，我们的方法在大型数据集上的性能明显优于CP方法和最先进的cSpade方法。
2015-11-26 cs.AI
Marginal utility, matrix factorization, and the Key-Value (KV) cache: a unified information-economic framework for sovereign geo-mining inference
INSEEC Business School / Omnes Education（INSEEC商学院 / Omnes教育集团）
本文提出统一信息经济学框架，将边际效用与矩阵分解及KV缓存结合，用于主权地理采矿推理，并验证了高效分类器与合并策略。
2026-11-10 cs.AI cs.CL
Towards Sequence Utility Maximization under Utility Occupancy Measure
Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
效用驱动模式的发现是一个有用而又困难的研究课题。它可以从具体和不同的数据库中提取重要和有趣的信息，增加所提供服务的价值。在实践中，效用的度量通常用于证明对象或模式的重要性，利润或风险。在数据库中，尽管效用对于每个模式来说都是一个灵活的标准，但由于忽略了效用共享，它是一个更绝对的标准。这导致派生模式仅从数据库中探索部分和局部知识。效用占用是最近提出的模型，考虑了高效用但低占用的采矿问题。然而，现有的研究都集中在项目集，不揭示对象出现的时间关系。因此，本文朝着序列效用最大化的方向进行研究.本文首先定义了序列数据的效用占用率，提出了高效用占用率序列模式挖掘问题。HUOSPM从频率、效用和占用率三个维度进行综合评价。提出了一种基于效用占用测度的序列效用最大化算法（SUMU）。此外，为了提高效率，还设计了两种用于存储模式相关信息的数据结构：具有六个相关上界的实用占用列表链（UOL-Chain）和实用占用表（UO-Table）。通过实验验证了该算法的有效性。分析和讨论了不同上界和剪枝策略对算法性能的影响。综合结果表明，我们的算法的工作是智能和有效的。
2022-12-20 cs.AI cs.DB
A global constraint for closed itemset mining
University of Oran 1（奥兰第一大学）；University of Montpellier（蒙彼利埃大学）；University of Caen（卡昂大学）
发现闭频繁模式集是数据采掘的基本问题之一。最近的约束编程（CP）方法的声明性项目集挖掘已经证明了他们的有用性和灵活性。但是，目前CP方法中大量使用的具体化约束给处理高维数据集带来了很多困难。本文提出了一种不需要任何具体化约束和额外变量的CLOSED PATTERN全局约束，有效地编码了闭合频繁模式挖掘（CFPM）约束。CLOSED-PATTERN捕获CFPM问题的特定语义，以确保多项式修剪算法确保域的一致性。我们的约束的计算特性进行了分析，其实际有效性进行了实验评估。
2016-04-17 cs.AI cs.DB
Towards the Patterns of Hard CSPs with Association Rule Mining
Texas Tech University（德克萨斯理工大学）
有限域约束满足问题（CSP）的困难性是约束程序设计（CP）领域的一个重要研究方向。然而，这一问题尚未引起关联规则挖掘界研究人员的重视。关联规则挖掘作为一种流行的数据采掘技术，有着极其广泛的应用领域，已经成功地应用于许多交叉学科。在本文中，我们研究了关联规则挖掘技术，并提出了一种级联的方法来提取感兴趣的模式的硬CSP。据我们所知，这个问题是第一次研究与数据采掘技术。具体地说，我们通过求解所有CSP实例来生成随机CSP并收集其特征，然后对数据集应用数据采掘技术，进一步发现随机生成的CSP的硬度的有趣模式
2009-06-27 cs.AI cs.DB
DIFFRACT: Neuralized Utility Maximization for Wireless Networks by Differentiable Programming
Nanyang Technological University（南洋理工大学）
提出DIFFRACT框架，利用可微编程将深度学习与优化结合，通过算法展开将干扰管理算法映射为可微神经网络，实现分布式端到端梯度学习，以应对动态多用户干扰和随机服务质量约束。
2026-06-05 cs.AI cs.IT cs.NI
Incremental Mining of Frequent Serial Episodes Considering Multiple Occurrences
Inria（法国国家信息与自动化研究所）；Carnegie Mellon University（卡内基梅隆大学）；University of Waikato（怀卡托大学）；Telecom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎理工学院）
分析来自流的信息的需要出现在各种应用中。其基本研究方向之一是挖掘数据流上的序列模式。现有的研究多基于事务中模式的存在来挖掘项目序列，而没有考虑项目集序列及其多次出现的情况。然而，在一个窗口的项集流和它们的多次出现的模式，提供了额外的能力来识别模式的基本特征和它们之间的相互关系是无法识别的现有的基于存在的研究。在本文中，我们研究了这样一个新的序列模式挖掘问题，并提出了相应的顺序矿工与新的策略，有效地修剪搜索空间。在真实数据和合成数据上的实验表明了该方法的有效性。
2022-04-09 cs.AI cs.DB
Mining Feature Relationships in Data
Victoria University of Wellington（惠灵顿维多利亚大学）
当面对一个新的数据集时，大多数从业者首先执行探索性数据分析，以发现数据中有趣的模式和特征。诸如关联规则挖掘之类的技术通常被应用于揭示数据的特征（属性）之间的关系。然而，关联规则主要设计用于二进制或分类数据，因为它们使用基于规则的机器学习。现实世界中的大部分数据本质上是连续的，这些数据的离散化会导致不准确和信息量较少的关联规则。在本文中，我们提出了一种替代方法，称为特征关系挖掘（FRM），它使用遗传编程的方法来自动发现数据中的连续或分类特征之间的符号关系。据我们所知，我们提出的方法是第一个这样的象征性的方法，明确发现功能之间的关系的目标。在各种真实数据集上的实证测试表明，所提出的方法能够找到高质量，简单的特征关系，这些关系可以很容易地解释，并提供对数据的清晰和非平凡的洞察。
2021-02-02 cs.AI cs.CV cs.LG
Mathematical Computation on High-dimensional Data via Array Programming and Parallel Acceleration
Chen Zhang（陈志强）
针对高维数据的维度灾难及现有工具缺乏数理统计支持的问题，提出基于空间完备性的并行计算架构，将数据分解为维度无关结构进行分布式处理，实现数据挖掘与机器学习的无缝集成以支持多类型科学计算。
2025-06-28 cs.AI cs.LG eess.IV
