:ارائه یک رویکرد جدید در تولید قوانین انجمنی براساس درخت الگوهای مکرر و روش خوشه بندی

یافتن روابط معنی دار در اطلاعات خرید از موضوعات سابقه دار در داده کاوی است، که راه حل آن تحلیل و کاوش قوانین وابستگی است، در این تحقیق قصد داریم که رویکردی مناسب برای یافتن تکه مسیر هائی که ارتباط تنگاتنگی به لحاظ عبور و مرور بر هم دارند را در قالب قوانین وابستگی بررسی کنیم. تشخیص مسیرهائی که ترافیک آن ها بسیار به یکدیگر مرتبط و تاثیرگذاراست، منجر به ایجاد ترافیک روان و هدایت ترافیکی خواهد شد، این مسئله در گذشته معروف به دانش محدوده شهری بوده است. رویکرد ارائه شده توسعه ای است از روش cbar ، که بجای تقسیم پایگاه داده از روش خوشه بندی استفاده شده و الگوریتم الگوهای مکرر وظیفه تولید قوانین را بر عهده دارد. با توجه به نوع داده های موجود و نیاز به بررسی تأثیر مسیرها بر هم، استفاده از روش های معمول خوشه بندی میسر نیست، و لذا سازمانی به شکل یک گراف مورد نیاز است، پس از ساخت گراف ارتباطی تکه مسیرها، به دنبال روشهائی هستیم، که خوشه های واقعی گراف را در کمترین زمان و بهینه ترین تعداد مشخص کنند. با انجام تحقیقات در حوزه خوشه بندی گراف، الگوریتم های infomap ، blondel را برای خوشه بندی انتخاب می کنیم. گراف را با این دو روش خوشه بندی کرده و سپس قوانین وابستگی را از هرکدام از خوشه های بدست آمده استخراج می کنیم، برای تأثیر بر تشخیص بهینه خوشه ها علاوه بر معیاری که هر الگوریتم منتخب دارد، با توجه به تراکنش های واقعی، اقدام به وزن گذاری ارتباطات تکه مسیرها خواهیم نمود. در این روش مبتنی بر شبکه، علاوه بر اینکه نیاز به کاوش لیست های حجیم را کاهش داده و موجب تولید قوانین جذاب با سرعت بالا می شویم، بلکه مشکل روش های خوشه بندی که همانا تعیین پارامتر تعداد خوشه ها نیز هست را مرتفع می کنیم. با استفاده از شاخصه، پشتیبان و معیار قابلیت درک ، روش مفید خوشه بندی که هزینه زمان و حافظه کمتری در مقایسه با روشهای دیگر دارد و قوانین مناسبی را استخراج می کند، معرفی می شود.