یاگیری توابع عضویت برای کاوش قوانین انجمنی فازی با استفاده از اتوماتای یادگیر

تراکنش ها در مجموعه داده‌های وب اغلب از داده های کمّی تشکیل شده‌‌، که نشان می‌دهد تئوری مجموعه‌های فازی می‌تواند برای نشان دادن چنین داده هایی استفاده شود. مدت زمان صفحات وب که توسط کاربران ملاقات می‌شود‌، یکی از انوع داده ذخیره شده درلاگ های وب است که میتواند به عنوان یک عامل مهم برای تحلیل رفتار حرکتی کاربران استفاده شود. هرچند، در تمامی کارهای انجام شده برای کاوش قوانین انجمنی از داده های مورد استفاده از وب تعداد و پارامترهای توابع عضویت در نظر گرفته شده برای پارامتر زمان، در تمام صفحات وب ثابت فرض شده است. این در حالی است که تعداد و پارامترهای توابع عضویت مورد استفاده برای هر صفحه وب با سایر صفحات وب متفاوت است. بنابراین برای حل این چالش در این مقاله‌، یک روش بهینه سازی یادگیری تقویتی مبتنی بر اتوماتای یادگیر با نام laomf برای استخراج خودکار هر دوی تعداد و پارامترهای توابع عضویت ذوزنقه‌ای برای استخراج قوانین انجمنی فازی از داده‌های وب ارائه شده است. همچنین برای افزایش سرعت همگرایی روش پیشنهادی و حذف توابع عضویت نامناسب هیوریستیک جدیدی ارائه شد. کارایی روش پیشنهادی مورد ارزیابی قرار گرفت و نتایج با نتایج به دست آمده با استفاده از روش کاوش فازی وب در یک مجموعه داده واقعی مقایسه شد. آزمایشات بر روی مجموعه داده با اندازه های مختلف تایید کرد که روش پیشنهادی laomfبا استخراج توابع عضویت بهینه میانگین کارایی تابع هدف و پشتیبان فازی را در مقایسه با توابع عضویت یکنواخت به ترتیب 39% و 61% افزایش می دهد.

Learning Membership Functions for Mining Fuzzy Association Rules Using Learning Automata

The Transactions in web datasets often consist of quantitative data, suggesting that the fuzzy set theory can be used to represent such data. The time duration of web pages browsed by users is one type of data saved on log files, which can be used as an important factor to analyze the browsing behavior of users. In all existing researches for mining fuzzy association rules in web usage data the number and parameters of membership functions considered for the time parameter are assumed to be constant across all web pages. However, the number and parameters of the membership functions used for each web page are different from other web pages. So to address this challenge, in this paper a reinforcement based optimization approach based on learning automata(LA) called LAOMF is proposed to automatically extract both the number and parameters of trapezoidal membership functions for fuzzy association rules in web data. Also, a new heuristic was proposed to increase the convergence speed of the proposed method and eliminate inappropriate membership functions. The performance of the proposed approach was evaluated and the results were compared with the results obtained using the fuzzy web mining approach on a real dataset. Experiments on datasets with different sizes confirmed that the proposed LAOMF by extracting the optimized membership functions increased the average efficiency of the objective function and the fuzzy support compared to the uniform membership functions by 39% and 61%, respectively.