TWI634441B - 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體 - Google Patents

關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體 Download PDF

Info

Publication number
TWI634441B
TWI634441B TW105139284A TW105139284A TWI634441B TW I634441 B TWI634441 B TW I634441B TW 105139284 A TW105139284 A TW 105139284A TW 105139284 A TW105139284 A TW 105139284A TW I634441 B TWI634441 B TW I634441B
Authority
TW
Taiwan
Prior art keywords
speculative
item set
parameter vector
association rule
items
Prior art date
Application number
TW105139284A
Other languages
English (en)
Other versions
TW201820178A (zh
Inventor
吳宣緯
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW105139284A priority Critical patent/TWI634441B/zh
Priority to CN201611203732.6A priority patent/CN108122126B/zh
Priority to US15/395,289 priority patent/US11250338B2/en
Publication of TW201820178A publication Critical patent/TW201820178A/zh
Application granted granted Critical
Publication of TWI634441B publication Critical patent/TWI634441B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一種關聯法則列表的擴充方法，此擴充方法包括執行一關聯法則演算法，以建立一既有關聯法則列表，其中此既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度。依據此既有關聯法則列表，執行最小化一損益函數(cost function)，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中此至少一已知項目集參數向量以及此至少一推測項目集參數向量分別對應於此至少一已知項目集以及此至少一推測項目集。以及依據此至少一已知項目集參數向量以及此至少一推測項目集參數向量，產生一擴充關聯法則列表。

Description

關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體
本揭露是有關於一種關聯法則的方法、應用其之裝置及電腦可讀取媒體。
近年來，網際網路穩定發展以及物聯網裝置崛起，產生了許多大量、高速及類型多變的資料。業者可透過分析收集所得的資料，例如分析顧客購買交易資料，藉此了解顧客喜好，進而調整向客戶建議之販售商品項目以提高商品銷售量。
在各領域中，可以藉由關聯法則分析收集所得的資料中的各物品、事件或屬性之間的相關聯繫。例如在商業應用上可利用關聯法則進行商品、貨架的擺設參考；又例如在半導體製造過程中可利用關聯法則進行機器排程規劃；又例如在醫學應用上，利用關聯法則分析各病例特徵間關聯程度，以減少誤診機會。
關聯法則的形式通常為給定一已知項目集，可得到 對應之推測項目集。然而，在使用上常有給定一已知項目集後，其對應之推測項目集的數量不足，甚至不存在對應之推測項目集，而發生關聯法則短缺的情況。
本揭露係有關於一種擴充關聯法則的方法、應用其之裝置及電腦可讀取媒體，其利用既有的關聯法則，找出未知的潛在法則，以擴充關聯法則。更可進一步地可透過關聯法則的已知項目集之集合性質，利用已知項目集之子集合的對應推測項目集來擴充關聯法則。
根據本揭露之第一方面，提出一種關聯法則的擴充方法，該擴充方法包括：執行一關聯法則演算法，以建立一既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；依據該既有關聯法則列表，執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集；以及依據該至少一已知項目集參數向量以及該至少一推測項目集參數向量，產生一擴充關聯法則列表。
根據本揭露之第二方面，提出一種關聯法則的擴充裝置，該擴充裝置包括：一既有關聯法則產生模組，用以建立一 既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；以及一關聯法則擴充模組，用以執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集。
根據本揭露之第三方面，提出一種電腦可讀取媒體，其上儲存有一軟體程式，該軟體程式執行時，將使具有一控制器之一電子裝置進行一關聯法則的擴充方法，該擴充方法包括：執行一關聯法則演算法，以建立一既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；依據該既有關聯法則列表，執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集；以及依據該至少一已知項目集參數向量以及該至少一推測項目集參數向量，產生一擴充關聯法則列表。
為了對本揭露之上述及其他方面有更佳的瞭解，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。
100‧‧‧擴充裝置
110‧‧‧既有關聯法則產生模組
120‧‧‧關聯法則擴充模組
130‧‧‧關聯法則合併模組
140‧‧‧已知項目集子集合產生模組
150‧‧‧推測項目集產生模組
160‧‧‧推測項目集排序整合模組
180‧‧‧來源資料庫
185‧‧‧既有關聯法則資料庫
190‧‧‧擴充關聯法則資料庫
195‧‧‧合併關聯法則資料庫
S210~S240、S310~S370、S410~S430、S510~S550‧‧‧流程步驟
第1圖繪示依據本揭露一實施例的關聯法則的擴充裝置的示意圖。
第2圖繪示依據本揭露一實施例的關聯法則的擴充方法的流程圖。
第3圖繪示依據本揭露一實施例的關聯法則列表執行最小化損益函數的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量的流程圖。
第4圖繪示繪示依本揭露之一實施例由已知項目集的至少一子集合產生對應已知項目集的至少一推測項目集的流程圖。
第5圖繪示依據本揭露之一實施例的推測項目集之提供流程圖。
以下提出各種實施例進行詳細說明，其透過既有的關聯法則，找出未知的潛在法則，以擴充關聯法則。更進一步地可透過關聯法則的已知項目集之子集合的對應推測項目集來擴充關聯法則。然而，實施例僅用以作為範例說明，並不會限縮本發明欲保護之範圍。此外，實施例中的圖式省略部份元件，以清楚顯示本發明的技術特點。
在各領域中，可透過關聯法則分析收集所得來的資料的關聯性或相關性，找出一個事物中某些屬性同時出現的規律 和模式。例如在商業應用上，經由分析顧客購買數據，尋找顧客放入購物籃中的不同商品之間的聯繫，發現在超市中最常跟尿布一起被購買的商品是啤酒。於是，超市調整商品擺設位置，將啤酒和尿布擺在一起，如此可以提高啤酒的銷售量。
又例如在半導體製造過程中，參與製程的機台之組合可能為影響良率的原因之一，因此可記錄各機台所量測的參數，利用關聯法則判別哪些機台組合所生產的產品良率較好，作為機台排程規劃之依據，以改善生產良率。
然而，經由收集所得來的大量資料無法由人工直接進行分析以找出資料之間的相關聯繫，因此相關的關聯法則演算法被提出，例如Apriori演算法及FP-Growth演算法。經由這些演算法可找出資料庫中具有相關性的既有關聯法則，並依據這些既有關聯法則建立一既有關聯法則列表。
關聯法則的形式為給定一已知項目集X，可得到推測項目集Y，其可表示為「已知項目集X→推測項目集Y」。其中，關聯法則的已知項目集X與推測項目集Y之間更包括一支持度(support)以及一信賴度(confidence)。關聯法則X→Y的支持度是為同時包括X及Y的對應資料的個數，例如交易紀錄中包括X、Y的交易個數。而關聯法則X→Y的信賴度則為在出現X的 前提下，出現Y的機率，即條件機率。如果一關聯法則同時滿足一最小支持度臨界值和一最小信賴度臨界值，則保留此 關聯法則，並將此關聯法則加入既有關聯法則列表中，其中最小支持度臨界值和最小信賴度臨界值可由使用者設定。
請參照第1圖，其繪示依據本揭露一實施例的關聯法則列表的擴充裝置的示意圖。擴充裝置100包括一既有關聯法則產生模組110、一關聯法則擴充模組120及一關聯法則合併模組130。既有關聯法則產生模組110用以執行一關聯法則演算法，以建立一既有關聯法則列表。關聯法則擴充模組120用以依據既有關聯法則列表，執行最小化一損益函數(cost function)的動作，以產生一擴充關聯法則列表。關聯法則合併模組130用以合併既有關聯法則列表以及擴充關聯法則列表，以建立一合併關聯法則列表。既有關聯法則產生模組110耦接於關聯法則擴充模組120，且關聯法則擴充模組120耦接於關聯法則合併模組130。其中，既有關聯法則產生模組110、關聯法則擴充模組120及關聯法則合併模組130可以例如是藉由使用一晶片、晶片內的一電路區塊、一韌體電路、含有數個電子元件及導線的電路板或儲存複數組程式碼的一儲存媒體來實現，也可藉由電腦系統、伺服器等電子裝置執行對應軟體或程式來實現。
再者，擴充裝置100可透過各種不同的資料傳遞方式與一來源資料庫180、一既有關聯法則資料庫185、一擴充關聯法則資料庫190及一合併關聯法則資料庫195之間進行指令與資料的傳遞。在本實施例中，來源資料庫180、既有關聯法則資料庫185、擴充關聯法則資料庫190及合併關聯法則資料庫195 位於擴充裝置100外部。但並不以此為限，來源資料庫180、既有關聯法則資料庫185、擴充關聯法則資料庫190及合併關聯法則資料庫195亦可位於擴充裝置100的內部。
請參照第2圖，其繪示依據本揭露一實施例的關聯法則的擴充方法的流程圖。為了清楚說明上述各項元件的運作以及本揭露實施例的擴充裝置的擴充方法，以下將搭配第2圖之流程圖詳細說明如下。然而，本發明所屬技術領域中具有通常知識者均可瞭解，本揭露實施例的擴充方法並不侷限應用於第1圖的擴充裝置100，也不侷限於第2圖之流程圖的各項步驟順序。
請同時參照第1圖及第2圖。根據本揭露一實施例，以超市購物為例，在一固定時間內，例如半個營業日、一個營業日或者五個營業日等，此超市的交易紀錄(transaction)如表一所示。此交易紀錄可儲存於來源資料庫180中。
在步驟S210中，既有關聯法則產生模組110對此交易紀錄執行一關聯法則演算法後，建立一既有關聯法則列表。詳而言之，先由此交易紀錄中擷取一定數量之筆數的交易紀錄資料，以產生一訓練集合。隨後，既有關聯法則產生模組110分析此訓練集合以獲得至少一已知項目集、至少一推測項目集，以及各至少一已知項目集與對應之推測項目集之對應的原始信賴度。最後，既有關聯法則產生模組110可依據上述獲得的至少一已知項目集、至少一推測項目集以及至少一原始信賴度，建立如表二所示之既有關聯法則列表。既有關聯法則列表可儲存於既有關聯法則資料庫185中。
在步驟S220中，關聯法則擴充模組120依據既有關聯法則列表，執行最小化一損益函數的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中至少一已知項目集參數向量以及至少一推測項目集參數向量分別對應於 至少一已知項目集以及至少一推測項目集。
隨後，在步驟S230中，關聯法則擴充模組120依據至少一已知項目集參數向量以及至少一推測項目集參數向量，產生如表三所示之一擴充關聯法則列表。擴充關聯法則列表可儲存於擴充關聯法則資料庫190中。
最後，在步驟S240中，關聯法則合併模組130合併上述之既有關聯法則列表以及擴充關聯法則列表，以建立一合併關聯法則列表。合併關聯法則列表可儲存於合併關聯法則資料庫195中。
關於上述建立合併關聯法則列表的步驟，在本揭露一實施例中，使用者可先設定一預測信賴度臨界值，例如預測信賴度臨界值設定為0.1。關聯法則合併模組130可以於擴充關聯法則列表中，選擇預測信賴度大於預測信賴度臨界值的關聯法 則，以建立如表四所示之合併關聯法則列表。其中合併關聯法則列表之合併信賴度欄位的內容值為擴充關聯法則列表之預測信賴度欄位的內容值。
在本揭露另一實施例中，關聯法則合併模組130可對擴充關聯法則列表中，針對同一已知項目集對應的推測項目集，依照所對應之預測信賴度進行排序。依據排列順序中的前n條擴充關聯法則(n為正整數)，建立合併關聯法則列表，其中合併關聯法則列表之合併信賴度欄位的內容值為擴充關聯法則列表之預測信賴度欄位的內容值。
本揭露提供另一種產生合併關聯法則列表的方法，使用者可先設定一預測信賴度臨界值，例如可將預測信賴度臨界值設定為0.1。關聯法則合併模組130首先擷取既有關聯法則列表的內容值作為合併關聯法則列表的部份內容，其中合併關聯法則列表的合併信賴度欄位的內容值為既有關聯法則列表的原始 信賴度欄位的內容值。接著，將擴充關聯法則列表內預測信賴度大於預測信賴度臨界值，且不存在於既有關聯法則列表中的關聯法則加入合併關聯法則列表中。其中，這些原來不存在於既有關聯法則列表中的關聯法則，於合併關聯法則列表的合併信賴度欄位的內容值，係為擴充關聯法則列表中的預測信賴度欄位的內容值。
然而，本發明所屬技術領域中具有通常知識者均可瞭解，本揭露的合併既有關聯法則列表以及擴充關聯法則列表的方法，並不侷限於上述實施例所示之合併方法。只要能擷取至少部份之擴充關聯法則以產生比既有關聯法則列表更多推測項目集的作法，即可應用於產生合併關聯法則列表的方法中。
請參照第3圖，其繪示依據既有關聯法則列表執行最小化損益函數的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量的流程圖。在第2圖的步驟S220中，關聯法則擴充模組120依據既有關聯法則列表，執行最小化損益函數的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量。第3圖的步驟S310至步驟S350進一步說明第2圖的步驟S220依據既有關聯法則列表執行最小化損益函數的動作的流程。
上述之執行最小化損益函數的動作，大體上可概述為依據以下步驟執行：(a)對至少一已知項目集以及至少一推測項目集進行向量初始化，依據初始化之至少一已知項目集參數向量 以及至少一推測項目集參數向量，執行一預測函數，以獲得一預測信賴度；(b)判斷目前獲得的預測信賴度與原始信賴度之間的誤差平方和是否大於一容忍值，若否，則執行步驟(c)，若是，則執行步驟(d)；(c)將目前獲得的至少一已知項目集參數向量以及至少一推測項目集參數向量作為使用於擴充關聯法則列表之至少一已知項目集參數向量以及至少一推測項目集參數向量；(d)調整目前獲得的至少一已知項目集參數向量以及至少一推測項目集參數向量以重新執行預測函數，並獲得一更新後的預測信賴度，並計算更新後的預測信賴度與對應之原始信賴度之間的誤差平方和，接著，再次執行上述之步驟(b)。
在本揭露的一實施例中，最小化損益函數例如可以為最小化潛在因素模型(Latent Factor Model)中的損益函數，其可 表示為，其中ru,i為原始信賴度、pu為第u個已知項目集參數向量、qi為第i個推測項目集參數向量、K為既有關聯法則資料集，u及i皆為正整數。最小化損益函數的動作例如為藉由調整已知項目集參數向量pu以及推測項目集參數向量qi，使得已知項目集參數向量pu以及推測項目集參數向量qi之向量內 積結果qi Tpu(qi Tpu亦稱為預測函數，可得到預測信賴度，)最接近原始信賴度ru,i，亦即讓向量內積結果qi Tpu(預測信賴度)與原始信賴度ru,的差異平方和為最小，以取得所要的已知項目集參數向量pu以及推測項目集參數向量qi。
請同時參照第1圖及第3圖。以下將詳述執行最小 化損益函數的動作的流程。由於最小化損益函數的動作例如為藉由調整已知項目集參數向量pu以及推測項目集參數向量qi，讓向量內積結果qi Tpu(預測信賴度)與原始信賴度ru,i的差異平方和為最小。假設在上述之調整過程中，pu(x)與qi(x)代表第x個計算回合中的向量，(x)代表第x個計算回合中的預測信賴度，x為正整數。在第3圖之步驟S310中，關聯法則擴充模組120首先分別對至少一已知項目集以及至少一推測項目集進行向量初始化，以產生至少一已知項目集參數向量pu(0)以及至少一推測項目集參數向量qi(0)，pu(0)為初始化的至少一已知項目集參數向量，qi(0)為初始化的至少一推測項目集參數向量。茲以既有關聯法則列表中具有兩個關聯法則為例做說明。假設既有關聯法則列表中的第一個關聯法則的第1個已知項目集與對應之第1個推測項目集之間的原始信賴度r1,1為0.67，而第二個關聯法則的第2個已知項目集與對應之第2個推測項目集之間的原始信賴度r2,2為0.53。對上述之已知項目集以及對應之推測項目集進行向量初始化後，假設產生的第1個已知項目集參數向量的初始值p1(0)為{0.8,0.9,-0.6}T以及對應之第1個推測項目集參數向量q1(0)為{0.8,0.7,0.5}T，第2個已知項目集參數向量的初始值p2(0)為{0.9,0.8,-0.5}T以及對應之第2個推測項目集參數向量q2(0)為{0.7,0.9,0.4}T，並假設上述向量的空間為三維。空間維度可以為三維、四維、五維或任何維度，由使用者自訂，並不以此為限。
接著，在步驟S320中，依據初始化之已知項目集參 數向量pu(0)以及推測項目集參數向量qi(0)，獲得一預測信賴度。舉例來說，由上述所產生的第1個已知項目集參數向量的初始值p1(0)={0.8,0.9,-0.6}T、對應之第1個推測項目集參數向量q1(0)={0.8,0.7,0.5}T、第2個已知項目集參數向量的初始值p2(0)={0.9,0.8,-0.5}T、及對應之第2個推測項目集參數向量q2(0)={0.7,0.9,0.4}T，可得到預測信賴度(0)為0.97，(0)為1.15。
隨後，在步驟S330中，計算預測信賴度(0)與對應之原始信賴度ru,i之間的誤差平方和，並判斷預測信賴度(0)與對應之原始信賴度ru,i之間的誤差平方和是否大於一容忍值。此容忍值可由使用者決定。若預測信賴度(0)與對應之原始信賴度ru,i之間的誤差平方和大於此容忍值，執行步驟S340。舉例來說，假設容忍值設定為0.4，上述之預測信賴度(0)為0.97，原始信賴度r1,1為0.67，上述之預測信賴度(0)為1.15，原始信賴度r2,2為0.53，則： 預測信賴度(0)與對應之原始信賴度ru,i之間的誤差平方和 大於容忍值0.4，故接著執行步驟S340。
在步驟S340中，關聯法則擴充模組120調整初始化之已知項目集參數向量pu(0)以及推測項目集參數向量qi(0)，產生已知項目集參數向量pu(1)以及推測項目集參數向量qi(1)，以重新 執行上述之預測函數，以獲得一更新後的預測信賴度(1)，並計算更新後的預測信賴度(1)與對應之原始信賴度ru,i之間的誤差平方和。舉例來說，上述的第1個已知項目集參數向量調整為p1(1)={0.8,0.8,-0.6}T，而對應之第1個推測項目集參數向量則調整為q1(1)={0.7,0.7,0.5}T，第2個已知項目集參數向量調整為p2(1)={0.7,0.8,-0.5}T，而對應之第2個推測項目集參數向量則調整為q2(1)={0.7,0.7,0.4}T，故預測信賴度(1)為0.82，(1)為0.85。如此， 此時，之值0.1249小於容忍值0.4。
於步驟S350中，判斷更新後預測信賴度(x)與對應之原始信賴度ru,i之間的誤差平方和是否大於此容忍值。若更新後的預測信賴度(x)與對應之原始信賴度ru,i之間的誤差平方和大於此容忍值時，則重新執行步驟S340，直到更新後的預測信賴度(x)與對應之原始信賴度ru,i之間的誤差平方和小於或等於此容忍值為止。
當更新後的預測信賴度(x)與對應之原始信賴度ru,i之間的誤差平方和小於或等於此容忍值時，則執行步驟S360。將調整後的已知項目集參數向量pu(x)以及調整後的推測項目集參數向量qi(x)分別作為使用於擴充關聯法則列表之已知項目集參數向量pu’以及推測項目集參數向量qi’。例如，由於上述 之值小於容忍值0.4。故於步驟S350的判斷中，可以判斷出更新後預測信賴度(x)(於上述例子中例如為(1))與對應之原始信賴度ru,i之間的誤差平方和係小於此容忍值。故將調整後的第1個已知項目集參數向量p1(1)={0.8,0.8,-0.6}T、調整後的第1個推測項目集參數向量q1(1)={0.7,0.7,0.5}T、調整後的第2個已知項目集參數向量p2(1)={0.7,0.8,-0.5}T、調整後的第2個推測項目集參數向量q2(1)={0.7,0.7,0.4}T作為使用於擴充關聯法則列表之第1個已知項目集參數向量p1’、第1個推測項目集參數向量q1’、第2個已知項目集參數向量p2’、第2個推測項目集參數向量q2’。
隨後，於上述之步驟S230中，即可使用第1個已知項目集參數向量p1’、第1個推測項目集參數向量q1’、第2個已知項目集參數向量p2’、第2個推測項目集參數向量q2’來得到擴充關聯法則列表。關聯法則擴充模組120可依據此至少一已知項目集參數向量(例如p1’及p2’)以及此至少一推測項目集參數向量(例如q1’及q2’)，產生如表三所示之擴充關聯法則列表。例如，可計算預測信賴度，，來得到新的關聯法則「p2→q1」的預測信賴度，而可以擴充出新的關聯法則。例如，可以由表三第2列之已知項目集{檸檬汁}(例如對應至p2’)與表三第1列之推測項目集{牛奶}(例如是對應至q1’)，計算出表三第5列所示之關聯法則「已知項目集{檸檬汁}→推測項目集{牛奶}」的預測信賴度(例如是)，以產生新的關聯法則「已知項目集{檸檬 汁}→推測項目集{牛奶}」，來擴充關聯法則。
上述之最小化損益函數的作法可以例如使用隨機梯度下降法(Stochastic gradient descent,SGD)來進行最佳化。例如，每一個計算回合可以設定一損益值eu,i，對第x個計算回合來說，損益值eu,i(x)=(ru,i(x)-qi T(x)pu(x))，則可以設定接下來的第x+1個計算回合的qi(x+1)=qi(x)+γ．(eu,i．pu(x))，pu(x+1)=pu(x)+γ．(eu,i．qi(x))，其中γ為學習比例(Learning rate)，用以控制調整之步伐大小。而調整的方向係為往損益函數之負的梯度方向移動，以使上述之損益值eu,i隨著每一個計算回合而逐漸變小，直到損益值eu,i小於一容忍值為止。
然而，應瞭解的是，計算已知項目集參數向量pu以及推測項目集參數向量qi之向量內積以獲得預測信賴度之預測函數除了上述之以外，還可以使用其他的預測函數，例如是或等函數，其中bu、bi、μ為偏差項。上述之用以找出最佳的已知項目集參數向量或推測項目集參數向量之最小化損益函數的方法亦可以使用其他方法，例如是交互最小平方法(alternating least squares)等方法。上述之預測函數以及最小化損益函數的方法僅係舉例說明，本揭露並不侷限於上述所列之預測函數及最小化損益函數的方法。
請同時參照第1圖及第4圖。第4圖繪示依本揭露之一實施例由已知項目集的至少一子集合產生對應已知項目集 的至少一推測項目集的流程圖。在本實施例中，擴充裝置100更可包括一已知項目集子集合產生模組140、一推測項目集產生模組150以及一推測項目集排序整合模組160。
若使用者需要的已知項目集未在既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中有對應的推測項目集的話，也就是說，在既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中沒有對應於此已知項目集的關聯法則，則可使用第4圖所示之方法來增加新的已知項目集、對應之推測項目集以及關聯法則。舉例來說，若需要的已知項目集為{外野手套，打擊手套}，但在既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中並未存在已知項目集為{外野手套，投手手套}的關聯法則的話，則可使用第4圖所示之方法來增加已知項目集{外野手套，打擊手套}，以及其所對應之推測項目集和關聯法則。
在步驟S410，已知項目集子集合產生模組140依據已知項目集{外野手套，投手手套}產生此已知項目集的子集合，其子集合例如為{外野手套}及{投手手套}。
在本實施例中，推測項目集產生模組150可在既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中找到如表五所示之上述子集合{外野手套}及{投手手套}所對應的推測項目集及對應的關聯法則。
隨後，推測項目集排序整合模組160可依一預設規則，排序對應於子集合{外野手套}及{投手手套}的關聯法則。上述之預設規則可以是依據子集合對應的推測項目集的原始信賴度作排序，並分別給予排序得分。舉例來說，排名第一位的關聯法則的排序得分為2分，第二位的關聯法則的排序得分為1分，第三位之後的關聯法則的排序得分為0分，可得到如表五(a)所示之一推測項目集排序得分清單。
接著，加總推測項目集所對應的關聯法則的排序得分，例如推測項目集{打擊手套}對應的關聯法則的排序得分分別為2分和1分，故其加總後的得分為3分。同理，推測項目集{釘鞋}的排序得分加總為2分，以及推測項目集{球棒}的排序得分加總為1分。最後，依據加總的排序得分，由大至小排列可得到一推測項目集排序清單{打擊手套}、{釘鞋}、{球棒}，將此推測項目集排序清單作為原本未存在之已知項目集{外野手套，投手手套}對應的推測項目集，亦即新增新的推測項目集{打擊手套}、{釘鞋}、{球棒}。
在本揭露之另一實施例中，上述之預設規則可以是計算原始信賴度的平均值。計算子集合對應的推測項目集的原始信賴度的平均值，例如推測項目集{釘鞋}所對應的原始信賴度分別為0.4及0.5，其原始信賴度的平均值為0.45。同理，{打擊手套}所對應的原始信賴度分別為0.6及0.2，故其原始信賴度的平均值為0.4。{球棒}所對應的原始信賴度分別為0.5及0.1，故其原始信賴度的平均值為0.3。將上述之原始信賴度的平均值由大至小排列，可得推測項目集排序清單{釘鞋}、{打擊手套}、{球棒}，將此推測項目集排序清單作為原本未存在之已知項目集{外野手套，投手手套}對應的推測項目集。在本實施例中可將{釘鞋}、{打擊手套}、{球棒}分別對應的原始信賴度的平均值0.45、0.4、0.3作為已知項目集{外野手套，投手手套}分別對應推測項目集{釘鞋}、{打擊手套}、{球棒}的信賴度。應當理解的是，凡 是依據已知項目集之至少一子集對應的推測項目集進行排序過的系統或是方法皆屬本發明之範疇。
在本揭露另一實施例中，可依據其使用的情境給予一限制條件，以進一步擷取適合此情境的已知項目集、對應之推測項目集以及對應之關聯法則。以網購推薦商品為例，網路購物者已瀏覽了女用提包a、威士忌b、頸飾c。依據購物者的瀏覽紀錄，購物網站推薦白蘭地d、女用錢包e、女用圍巾f、女用錢包g及女用提包h等關聯商品供網路購物者作為參考。在此情境中，已知項目集為{女用提包a，威士忌b，頸飾c}，其對應之推測項目集為{白蘭地d，女用錢包e，女用圍巾f，女用錢包g，女用提包h}。
購物者進一步選擇希望找到的關聯商品為提包及皮夾類別，也就是說，購物者此時給予了一個「提包皮夾」的限制條件。經過限制條件篩選後，購物網站僅推薦女用錢包e、女用錢包g及女用提包h等關聯商品供網路購物者作為參考，剔除不符合限制條件的白蘭地d及女用圍巾f。在剔除不符合限制條件的關聯商品後，可能導致購物網站推薦的關聯商品項目數量不足。
請參照第5圖，其繪示依據本揭露之一實施例提供的推測項目集的流程圖。在步驟S510中，可將使用者在購物網站近期瀏覽商品紀錄、使用者在購物網站購物車內的商品、使用者使用網路瀏覽器在一個會話(session)間連結過的網址、使用者 近期利用多媒體播放器收看或收聽的多媒體內容作為已知項目集，並進一步的獲得對應之推測項目集以及對應之關聯法則。
在步驟S520中，依據對於推測項目集的一第一限制條件，確認既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中是否有滿足第一限制條件的對應已知項目集的推測項目集存在。舉例來說，第一限制條件可以是上述購物者所給予的「提包皮夾」的限制條件。
若有滿足第一限制條件的推測項目集存在於既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中，則執行步驟S530，由既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中擷取滿足第一限制條件之對應於已知項目集的推測項目集。
若沒有滿足第一限制條件的推測項目集存在於既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中，則執行步驟S540。於步驟S540中，係依據已知項目集，執行如上述第4圖所示之由已知項目集的至少一子集合產生對應已知項目集的至少一推測項目集的流程，包含步驟S410至S430。
其中，在步驟S530由既有關聯法則列表、擴充關聯法則列表或合併關聯法則列表中擷取對應於已知項目集的推測項目集後，若擷取的推測項目集未滿足一第二限制條件(步驟S550的結果為否)，則執行步驟S540，依據已知項目集的至少一子集合產生對應已知項目集的至少一推測項目集。第二限制條件 例如是推測項目集的個數。
如此，當在給予限制條件後，已知項目集對應的推測項目集的項目個數(第二限制條件)或商品類別(第一限制條件)若不符合限制條件，則可依據本揭露之實施例所示之方法，產生擴充之推測項目集以及對應之擴充關聯法則，使已知項目集對應的推測項目集的個數足夠或符合所需商品類別，以符合要求。
本揭露之實施例通過找出已知項目集以及推測項目集之間的潛在之有用的關聯法則，藉此擴充既有的關聯法則，找出更多具有關聯性的已知項目集及推測項目集。更進一步透過已知項目集的子集合，來產生對應於已知項目集之子集合的推測項目集以擴充關聯法則。通過上述實施例可以從已知項目集擷取出更多高度關聯的推測項目集，找出未知的潛在的關聯法則，以擴充關聯法則的數量。如此可以避免在應用上發生給定一已知項目集後，其對應之推測項目集的數量不足，甚至不存在對應之推測項目集，而發生關聯法則短缺的情況。在商業應用(例如網路購物服務)上，可利用上述擴充的關聯法則的作法調整商品、貨架的擺設或提出建議購買之商品的建議，如此可以有效地提高商品銷售量以及顧客購買率。在產品的製造過程中，可利用擴充的關聯法進一步協助機器排程規劃以提高產品良率。上述擴充的關聯法於應用於醫學上分析病例特徵之間的關聯程度時，可以更有效地減少醫療誤診機率。
綜上所述，雖然本發明已以較佳實施例揭露如上， 然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (21)

  1. 一種關聯法則的擴充方法，該擴充方法包括：執行一關聯法則演算法，以建立一既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；依據該既有關聯法則列表，執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集；以及依據該至少一已知項目集參數向量以及該至少一推測項目集參數向量，產生一擴充關聯法則列表。
  2. 如申請專利範圍第1項所述之擴充方法，更包括：合併該既有關聯法則列表以及該擴充關聯法則列表，以建立一合併關聯法則列表。
  3. 如申請專利範圍第2項所述之擴充方法，更包括：依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集；以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測 項目集之至少一部分作為至少一對應於該至少一已知項目集的至少一新增的推測項目集。
  4. 如申請專利範圍第2項所述之擴充方法，更包括：依據該至少一推測項目集的一限制條件，確認該既有關聯法則列表、該擴充關聯法則列表和該合併關聯法則列表三者之一中是否仍有滿足該限制條件的對應該至少一已知項目集的至少一推測項目集存在，若是，則擷取對應該至少一已知項目集的該至少一推測項目集，以及，若否，則依據該至少一已知項目集產生該至少一已知項目集的至少一子集合，依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集，以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為至少一對應於該至少一已知項目集的至少一新增的推測項目集。
  5. 如申請專利範圍第1項所述之擴充方法，其中執行該關聯法則演算法，以取得該既有關聯法則列表的步驟包括：由一來源資料庫擷取複數筆交易紀錄以獲得一訓練集合；依據該訓練集合以獲得該至少一已知項目集、該至少一推測項目集，以及各該至少一已知項目集與對應之該推測項目集之對應的該原始信賴度；以及依據該至少一已知項目集、該至少一推測項目集以及該至少一原始信賴度建立該既有關聯法則列表。
  6. 如申請專利範圍第1項所述之擴充方法，其中於獲得該至少一已知項目集參數向量以及該至少一推測項目集參數向量的步驟係包括：(a)進行向量初始化，依據初始化之該至少一已知項目集參數向量以及該至少一推測項目集參數向量，執行一預測函數，以獲得一預測信賴度；(b)判斷目前的該預測信賴度與該原始信賴度之間的誤差平方和是否大於一容忍值，若否，則執行步驟(c)，若是，則執行步驟(d)；(c)將目前的該至少一已知項目集參數向量以及該至少一推測項目集參數向量作為使用於該擴充關聯法則列表之該至少一已知項目集參數向量以及該至少一推測項目集參數向量；(d)調整該至少一已知項目集參數向量以及該至少一推測項目集參數向量以重新執行該預測函數，並獲得一更新後的預測信賴度，並計算該更新後的預測信賴度與對應之該原始信賴度之間的誤差平方和，接著執行步驟(b)。
  7. 如申請專利範圍第1項所述之擴充方法，更包括：依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；依據該至少一子集合，由該既有關聯法則列表和該擴充關聯法則列表至少二者之一，獲得對應於該至少一子集合的至少一推測項目集；以及 依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為對應於該至少一已知項目集的至少一新增的推測項目集。
  8. 一種關聯法則的擴充裝置，該擴充裝置包括：一既有關聯法則產生模組，用以建立一既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；以及一關聯法則擴充模組，用以執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集。
  9. 如申請專利範圍第8項所述之擴充裝置，更包括：一關聯法則合併模組，用以合併該既有關聯法則列表以及該擴充關聯法則列表，以建立一合併關聯法則列表。
  10. 如申請專利範圍第9項所述之擴充裝置，更包括：一已知項目集子集合產生模組，用以依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；一推測項目集產生模組，用以依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集；以及 一推測項目集排序整合模組，用以依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為至少一對應於該至少一已知項目集的至少一新增的推測項目集。
  11. 如申請專利範圍第9項所述之擴充裝置，更包括：依據該至少一推測項目集的一限制條件，確認該既有關聯法則列表、該擴充關聯法則列表和該合併關聯法則列表三者之一中是否仍有滿足該限制條件的對應該至少一已知項目集的至少一推測項目集存在，若是，擷取對應該至少一已知項目集的該至少一推測項目集，以及，若否，則依據該至少一已知項目集產生該至少一已知項目集的至少一子集合，依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集，以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為至少一對應於該至少一已知項目集的至少一新增的推測項目集。
  12. 如申請專利範圍第8項所述之擴充裝置，其中該既有關聯法則產生模組由一來源資料庫擷取複數筆交易紀錄以獲得一訓練集合，分析該訓練集合以獲得該至少一已知項目集、該至少一推測項目集，以及各該至少一已知項目集與對應之該推測項目集之對應的該原始信賴度，以及依據該至少一已知項目集、該至少一推測項目集以及該至少一原始信賴度建立該既有關聯法則 列表。
  13. 如申請專利範圍第8項所述之擴充裝置，其中該關聯法則擴充模組更用以執行下列動作以產生該至少一已知項目集參數向量以及該至少一推測項目集參數向量：(a)進行向量初始化，依據初始化之該至少一已知項目集參數向量以及該至少一推測項目集參數向量，執行一預測函數，以獲得一預測信賴度；(b)判斷目前的該預測信賴度與該原始信賴度之間的誤差平方和是否大於一容忍值，若否，則執行步驟(c)，若是，則執行步驟(d)；(c)將目前的該至少一已知項目集參數向量以及該至少一推測項目集參數向量作為使用於該擴充關聯法則列表之該至少一已知項目集參數向量以及該至少一推測項目集參數向量；(d)調整該至少一已知項目集參數向量以及該至少一推測項目集參數向量以重新執行該預測函數，並獲得一更新後的預測信賴度，並計算該更新後的預測信賴度與對應之該原始信賴度之間的誤差平方和，接著執行步驟(b)。
  14. 如申請專利範圍第8項所述之擴充裝置，更包括：一已知項目集子集合產生模組，用以依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；一推測項目集產生模組，依據該至少一子集合，由該既有關聯法則列表和該擴充關聯法則列表至少二者之一，獲得對應於該 至少一子集合的至少一推測項目集；以及一推測項目集排序整合模組，用以依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為對應於該至少一已知項目集的至少一新增的推測項目集。
  15. 一種電腦可讀取媒體，其上儲存有一軟體程式，該軟體程式執行時，將使具有一控制器之一電子裝置進行一關聯法則的擴充方法，該擴充方法包括：執行一關聯法則演算法，以建立一既有關聯法則列表，其中該既有關聯法則列表包括至少一已知項目集、至少一推測項目集及至少一原始信賴度；依據該既有關聯法則列表，執行最小化一損益函數(cost function)的動作，以獲得至少一已知項目集參數向量以及至少一推測項目集參數向量，其中該至少一已知項目集參數向量以及該至少一推測項目集參數向量分別對應於該至少一已知項目集以及該至少一推測項目集；以及依據該至少一已知項目集參數向量以及該至少一推測項目集參數向量，產生一擴充關聯法則列表。
  16. 如申請專利範圍第15項所述之電腦可讀取媒體，該擴充方法更包括：合併該既有關聯法則列表以及該擴充關聯法則列表，以建立一合併關聯法則列表。
  17. 如申請專利範圍第16項所述之電腦可讀取媒體，該擴充方法更包括：依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集；以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為至少一對應於該至少一已知項目集的至少一新增的推測項目集。
  18. 如申請專利範圍第16項所述之電腦可讀取媒體，該擴充方法更包括：依據該至少一推測項目集的一限制條件，確認該既有關聯法則列表、該擴充關聯法則列表和該合併關聯法則列表三者之一中是否仍有滿足該限制條件的對應該至少一已知項目集的至少一推測項目集存在，若是，則擷取對應該至少一已知項目集的該至少一推測項目集，以及，若否，則依據該至少一已知項目集產生該至少一已知項目集的至少一子集合，依據該至少一子集合，由該合併關聯法則列表，獲得對應於該至少一子集合的至少一推測項目集，以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為至少一對應於該至少一已知 項目集的至少一新增的推測項目集。
  19. 如申請專利範圍第15項所述之電腦可讀取媒體，其中該擴充方法執行該關聯法則演算法，以取得該既有關聯法則列表的步驟包括：由一來源資料庫擷取複數筆交易紀錄以獲得一訓練集合；分析該訓練集合以獲得該至少一已知項目集、該至少一推測項目集，以及各該至少一已知項目集與對應之該推測項目集之對應的該原始信賴度；以及依據該至少一已知項目集、該至少一推測項目集以及該至少一原始信賴度建立該既有關聯法則列表。
  20. 如申請專利範圍第15項所述之電腦可讀取媒體，其中該擴充方法於獲得該至少一已知項目集參數向量以及該至少一推測項目集參數向量的步驟係包括：(a)進行向量初始化，依據初始化之該至少一已知項目集參數向量以及該至少一推測項目集參數向量，執行一預測函數，以獲得一預測信賴度；(b)判斷目前的該預測信賴度與該原始信賴度之間的誤差平方和是否大於一容忍值，若否，則執行步驟(c)，若是，則執行步驟(d)；(c)將目前的該至少一已知項目集參數向量以及該至少一推測項目集參數向量作為使用於該擴充關聯法則列表之該至少一已知項目集參數向量以及該至少一推測項目集參數向量； (d)調整該至少一已知項目集參數向量以及該至少一推測項目集參數向量以重新執行該預測函數，並獲得一更新後的預測信賴度，並計算該更新後的預測信賴度與對應之該原始信賴度之間的誤差平方和，接著執行步驟(b)。
  21. 如申請專利範圍第15項所述之電腦可讀取媒體，該擴充方法更包括：依據該至少一已知項目集產生該至少一已知項目集的至少一子集合；依據該至少一子集合，由該既有關聯法則列表和該擴充關聯法則列表至少二者之一，獲得對應於該至少一子集合的至少一推測項目集；以及依一預設規則，排序對應於該至少一子集合的該至少一推測項目集，依照排序順序將對應於該至少一子集合的該至少一推測項目集之至少一部分作為對應於該至少一已知項目集的至少一新增的推測項目集。
TW105139284A 2016-11-29 2016-11-29 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體 TWI634441B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW105139284A TWI634441B (zh) 2016-11-29 2016-11-29 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體
CN201611203732.6A CN108122126B (zh) 2016-11-29 2016-12-23 关联规则的扩充方法、应用其的装置及电脑可读取介质
US15/395,289 US11250338B2 (en) 2016-11-29 2016-12-30 Method for enhancing association rules, apparatus using the same and computer readable medium therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105139284A TWI634441B (zh) 2016-11-29 2016-11-29 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體

Publications (2)

Publication Number Publication Date
TW201820178A TW201820178A (zh) 2018-06-01
TWI634441B true TWI634441B (zh) 2018-09-01

Family

ID=62193321

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105139284A TWI634441B (zh) 2016-11-29 2016-11-29 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體

Country Status (3)

Country Link
US (1) US11250338B2 (zh)
CN (1) CN108122126B (zh)
TW (1) TWI634441B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110716767B (zh) * 2018-07-13 2023-05-05 阿里巴巴集团控股有限公司 模型组件调用、生成方法、装置和存储介质
WO2021260710A1 (en) * 2020-06-25 2021-12-30 Telefonaktiebolaget Lm Ericsson (Publ) Product association in communications network
US12052134B2 (en) * 2021-02-02 2024-07-30 Exfo Inc. Identification of clusters of elements causing network performance degradation or outage
CN113656558B (zh) * 2021-08-25 2023-07-21 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
CN115983921B (zh) * 2022-12-29 2023-11-14 广州市玄武无线科技股份有限公司 一种线下门店商品关联组合方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6278998B1 (en) * 1999-02-16 2001-08-21 Lucent Technologies, Inc. Data mining using cyclic association rules
US7370033B1 (en) * 2002-05-17 2008-05-06 Oracle International Corporation Method for extracting association rules from transactions in a database
TW201426352A (zh) * 2012-12-27 2014-07-01 Chunghwa Telecom Co Ltd 資料探勘模型自動化維運系統及方法
US8812543B2 (en) * 2011-03-31 2014-08-19 Infosys Limited Methods and systems for mining association rules
TWM532610U (zh) * 2016-07-27 2016-11-21 Nat Taichung University Science & Technology 賣場取貨路徑最佳化推薦系統

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6266649B1 (en) 1998-09-18 2001-07-24 Amazon.Com, Inc. Collaborative recommendations using item-to-item similarity mappings
US7797197B2 (en) * 2004-11-12 2010-09-14 Amazon Technologies, Inc. Method and system for analyzing the performance of affiliate sites
US8392281B1 (en) * 2008-08-12 2013-03-05 Amazon Technologies, Inc. System and interface for promoting complementary items
TW201011575A (en) 2008-09-12 2010-03-16 Univ Nat Cheng Kung Recommendation apparatus and method of integrating rough sets and multiple-characteristic exploration
US8335749B2 (en) * 2010-01-28 2012-12-18 Hewlett-Packard Development Company, L.P. Generating a set of atoms
CN102402757A (zh) 2010-09-15 2012-04-04 阿里巴巴集团控股有限公司 信息提供方法及装置、综合关联度确定方法及装置
US9390168B1 (en) * 2010-09-28 2016-07-12 Amazon Technologies, Inc. Customer keyword-based item recommendations
US8972363B2 (en) * 2012-05-14 2015-03-03 Nec Corporation Rule discovery system, method, apparatus and program
CN103679489A (zh) 2012-09-10 2014-03-26 腾讯科技（深圳）有限公司 一种物品关联推荐的方法及系统
US8983888B2 (en) * 2012-11-07 2015-03-17 Microsoft Technology Licensing, Llc Efficient modeling system for user recommendation using matrix factorization
TWI499290B (zh) 2012-11-30 2015-09-01 Ind Tech Res Inst 資訊推薦方法及系統
CN103020256B (zh) * 2012-12-21 2016-04-20 电子科技大学 一种大规模数据的关联规则挖掘方法
CN104616178A (zh) 2015-03-06 2015-05-13 浪潮集团有限公司 一种基于大数据多标记分类方法的电子商务商品推荐方法
CN105224507A (zh) 2015-09-29 2016-01-06 杭州天宽科技有限公司 一种基于张量分解的缺失关联规则挖掘方法
US10489363B2 (en) * 2016-10-19 2019-11-26 Futurewei Technologies, Inc. Distributed FP-growth with node table for large-scale association rule mining

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6278998B1 (en) * 1999-02-16 2001-08-21 Lucent Technologies, Inc. Data mining using cyclic association rules
US7370033B1 (en) * 2002-05-17 2008-05-06 Oracle International Corporation Method for extracting association rules from transactions in a database
US8812543B2 (en) * 2011-03-31 2014-08-19 Infosys Limited Methods and systems for mining association rules
TW201426352A (zh) * 2012-12-27 2014-07-01 Chunghwa Telecom Co Ltd 資料探勘模型自動化維運系統及方法
TWM532610U (zh) * 2016-07-27 2016-11-21 Nat Taichung University Science & Technology 賣場取貨路徑最佳化推薦系統

Also Published As

Publication number Publication date
TW201820178A (zh) 2018-06-01
CN108122126B (zh) 2022-01-04
US11250338B2 (en) 2022-02-15
US20180150756A1 (en) 2018-05-31
CN108122126A (zh) 2018-06-05

Similar Documents

Publication Publication Date Title
TWI634441B (zh) 關聯法則之擴充方法、應用其之裝置及電腦可讀取媒體
US11188831B2 (en) Artificial intelligence system for real-time visual feedback-based refinement of query results
CN109241366B (zh) 一种基于多任务深度学习的混合推荐系统及其方法
CN108665333A (zh) 商品推荐方法、装置、电子设备和存储介质
CN106127506B (zh) 一种基于主动学习解决商品冷启动问题的推荐方法
TW201232301A (en) Identifying categorized misplacement
CN104537553B (zh) 重复负序列模式在客户购买行为分析中的应用
CN113255713A (zh) 用于跨对象变化的数字图像选择的机器学习
CN110428295A (zh) 商品推荐方法和系统
CN111651678B (zh) 一种基于知识图谱的个性化推荐方法
Lestari et al. Performance comparison of rank aggregation using borda and copeland in recommender system
WO2021169793A1 (zh) 获取目标对象的方法、装置及存储介质
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN105809275A (zh) 一种物品评分预测方法及装置
CN106503267A (zh) 一种适用于用户偏好动态演变的个性化推荐算法
Du et al. Amazon shop the look: A visual search system for fashion and home
JP5056803B2 (ja) 情報提供サーバ及び情報提供方法
Hasan et al. Utilization of Data Mining on MSMEs using FP-Growth Algorithm for Menu Recommendations
Vartak et al. CHIC: a combination-based recommendation system
CN110020918B (zh) 一种推荐信息生成方法和系统
WO2020046795A1 (en) System, method, and computer program product for determining compatibility between items in images
TWI530899B (zh) 商品上架方法
JP5056801B2 (ja) 情報提供サーバ及び情報提供方法
De Myttenaere et al. Study of a bias in the offline evaluation of a recommendation algorithm
JP5056802B2 (ja) 情報提供サーバ及び情報提供方法