تحلیل سبد بازار در گذر زمان: مروری انتقادی بر رویکردهای سنتی، یادگیری ماشین، یادگیری عمیق و ترکیبی با تاکید بر تفسیرپذیری، حریم خصوصی و تحلیل بلادرنگ

تحلیل سبد بازار یکی از مهم‌ترین ابزارهای داده‌کاوی است که طی سه دهه‌ی گذشته از الگوریتم‌های انجمنی کلاسیک مانند «آپریوری» به مدل‌های پیشرفته‌ی یادگیری ماشین و یادگیری عمیق تکامل یافته است. با وجود این تحول، چالش‌هایی همچون پیچیدگی مدل‌های عمیق، ضعف در حفظ حریم خصوصی و نیاز به تحلیل بلادرنگ همچنان مانع بهره‌برداری کامل از ظرفیت این حوزه می‌شوند.این مقاله نخستین مرور جامع و انتقادی بر مطالعات سال‌های 2021 تا 2025 است. تمایز اصلی آن تمرکز بر سه محور کمتر کاوش‌شده، یعنی تفسیرپذیری، حریم خصوصی و تحلیل بلادرنگ است که در اغلب مرورهای پیشین نادیده گرفته شده‌اند. همراه با مرور تحول روش‌ها در چهار دسته‌ی اصلی (سنتی، یادگیری ماشین، یادگیری عمیق و رویکردهای ترکیبی)، مقاله شکاف‌های کلیدی پژوهش را شناسایی کرده و مسیرهای آینده‌ای مانند به‌کارگیری یادگیری فدرال سبک، ابزارهای هوش توضیح‌پذیر و مدل‌های چندوجهی را پیشنهاد می‌دهد.نتایج این مطالعه نشان می‌دهد تحلیل سبد بازار نه‌تنها برای تجارت الکترونیک و خرده‌فروشی، بلکه برای حوزه‌هایی چون سلامت، شبکه‌های اجتماعی، مالی و لجستیک نیز پتانسیل بالایی دارد. به‌این‌ترتیب، این مرور با برجسته‌کردن شکاف‌های پژوهشی و پیشنهاد مسیرهای نوین، می‌تواند راهنمایی عملی برای توسعه‌ی سامانه‌های توصیه‌گر دقیق‌تر، شفاف‌تر و سازگارتر با نیازهای صنعت باشد و مسیر پژوهش‌های آینده در تصمیم‌گیری داده‌محور در صنایع نوظهور را روشن می‌سازد.

market basket analysis over time: a critical review of traditional, machine learning, deep learning, and hybrid approaches with emphasis on interpretability, privacy, and real-time analysis

market basket analysis (mba) is a pivotal data mining technique that has evolved over the past three decades from classic association algorithms, such as apriori, to advanced machine learning and deep learning models. despite this evolution, persistent challenges including the complexity of deep models, weaknesses in privacy preservation, and the urgent need for real-time analysis continue to impede the full exploitation of the field s potential. this article provides the first comprehensive and critical review of studies published between 2021 and 2025. its key distinction is its focus on three less-explored dimensions: interpretability, privacy, and real-time analysis, which have been largely overlooked in previous reviews. alongside an examination of the methodological evolution across four main categories (traditional, machine learning, deep learning, and hybrid approaches), the article systematically identifies critical research gaps. it proposes novel future directions, such as the deployment of lightweight federated learning, explainable ai tools, and multimodal models. the findings of this study reveal that market basket analysis holds significant potential not only for e-commerce and retail but also for fields like healthcare, social networks, finance, and logistics. by highlighting research gaps and proposing novel pathways, this review serves as a practical guide for developing recommendation systems that are more accurate, transparent, and compliant with industrial needs, thus illuminating the trajectory of future research in data-driven decision-making across emerging industries