Pruning Closed Itemset Lattices forAssociation

Rsumm La ddcouverte des rgles d'association est l'un des principaux probllmes de l'extraction de connaissances dans les bases de donnnes. De nombreux algorithmes eecaces ont tt proposss, dont les plus remarquables sont Apriori, l'algorithme de Mannila, Partition, Sampling et DIC. Ces derniers sont tous basss sur la mmthode de recherche de Apriori: l''lagage du treillis des parties (treillis des itemsets). Dans cet article, nous proposons un algorithme eecace bass sur une nouvelle mmthode de recherche: l''lagage du treillis des fermms (treillis des itemsets fermms). Ce treillis qui est un sous-ordre du treillis des parties est troitement lii au treillis de concepts de Wille dans son analyse formelle de concepts. Nous avons compar exprimentalement Close une version optimisse de Apriori et les rsultats obtenus montrent la grande eecacitt de Close dans le traitement des donnnes denses et/ou corrlles telles que les donnnes de rescensement (cas diicile). Nous avons galement pu observer que Close donne des temps de rponse corrects dans le traitement des bases de donnnes de ventes. Abstract Discovering association rules is one of the most important task in data mining and many eecient algorithms have been proposed in the literature. The most noticeable are Apriori, Mannila's algorithm, Partition, Sampling and DIC, that are all based on the Apriori mining method: pruning of the subset lattice (itemset lattice). In this paper we propose an eecient algorithm, called Close, based on a new mining method: pruning of the closed set lattice (closed itemset lattice). This lattice, which is a sub-order of the subset lattice, is closely related to Wille's concept lattice in formal concept analysis. Experiments comparing Close to an optimized version of Apriori showed that Close is very eecient for mining dense and/or correlated data such as census data, and performs reasonably well for market basket style data.