Resumen

Las reglas de asociación granulares revelan patrones ocultos en las relaciones de muchos a muchos, habituales en las bases de datos relacionales. En los sistemas de recomendación, estas reglas son apropiadas para la recomendación en frío, cuando un cliente o un producto acaba de entrar en el sistema. Un ejemplo de este tipo de reglas podría ser "al 40% de los hombres les gusta al menos el 30% de los tipos de alcohol; el 45% de los clientes son hombres y el 6% de los productos son alcohol". La extracción de este tipo de reglas es un problema difícil debido a la explosión de patrones. En este artículo, construimos un nuevo tipo de conjuntos aproximados paramétricos sobre dos universos y proponemos un algoritmo eficiente de minería de reglas basado en el nuevo modelo. En concreto, el modelo se define deliberadamente de forma que el parámetro corresponda a un umbral de reglas. El algoritmo se beneficia del operador de aproximación inferior del nuevo modelo. Los experimentos con dos conjuntos de datos del mundo real muestran que el nuevo algoritmo es significativamente más rápido que un algoritmo existente, y el rendimiento de los sistemas de recomendación es estable.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:nuevo modelo, sistemas de recomendación, reglas de este tipo, algoritmo eficiente de extracción de reglas, reglas de asociación granulares, operador de aproximación inferior, conjuntos rugosos paramétricos, conjuntos de datos mundiales, alcohol, algoritmo
• Keywords:new model, recommender systems, such rules, efficient rule mining algorithm, granular association rules, lower approximation operator, parametric rough sets, world data sets, alcohol, algorithm