Extracting non-redundant correlated purchase behaviors by utility measure

از جستجوی وب و داده کاوی، رفتارهای کلیک و خرید کاربران حاوی اطلاعات ارزشمند است، بنابراین روشهای متعددی برای شناسایی دانش مفیدی از آنها ارائه شده است. در این شرایط زندگی واقعی، هر کاربر ممکن است یک اقدام / رویداد مشابه را چندین بار انجام دهد، و چندین رویداد دیده شده محصول سود متفاوت را تولید می کنند. به این ترتیب، بسیاری از روشهای داده کاوی مبتنی بر ابزار محور مورد بررسی قرار گرفته اند. مطالعات قبلی محدودیتی دارند که کلیه الگوی سنتی محدود است، زیرا آنها به ندرت وابستگی ذاتی را در نظر می گیرند. برای مثال، از رفتار خرید، الگوهای کم سود گاهی اوقات با یک الگوی بسیار پرکاربرد، به عنوان یک الگوی ارزشمند در نظر گرفته می شود، حتی اگر این رفتار به شدت وابسته نباشد. بنابراین چارچوب هوشمندانه ای که رفتار بی نظیر و متقابل را براساس اندازه گیری ابزار ارائه می دهد، مورد نظر است. در این مقاله ابتدا روش جدیدی برای استخراج رفتارهای خرید غیرمستقیم با توجه به عوامل کاربردی و همبستگی ارائه می کنیم. الگوها با رضایت بالا می توانند با سود بالایی و همبستگی قوی استخراج شوند که می تواند به فراخوانی بیشتر و دقت بهتر نشان دهد. در رویکرد مبتنی بر پیش بینی پیشنهاد شده، یک مکانیزم نمایشی کارآمد و یک ویژگی بسته بندی طبقه بندی شده پایین برای کاهش حجم پایگاه داده توسعه یافته است. چندین استراتژی هرس بیشتر به منظور کارآمد و موثر کشف الگوهای دلخواه توسعه یافته است. مطالعات تجربی گسترده نشان می دهد که الگوی فوق العاده مفید مرتبط با رونق غیر انعام، اثربخش تر از نمایش قبلی دانش است. علاوه بر این، الگوریتم پیشنهادی از لحاظ زمان اجرای و استفاده از حافظه موثر است.