基于主动学习的模式兴趣评估方法

摘要

频繁模式挖掘（Frequent Pattern Mining,FPM）是图数据分析、挖掘领域的核心问题之一，其目的是从大规模图数据中发现支持度不低于指定阈值的模式.传统的频繁模式挖掘算法依赖支持度进行剪枝，返回结果往往包含大量“冗余”模式；top-k模式挖掘算法虽然仅返回k个频繁模式，但该类算法主要依据“客观”指标，如支持度等，对模式进行评估，难以充分反映用户的主观兴趣偏好.针对上述问题，提出一种基于主动学习的模式兴趣评估方法（Pattern Interestingness Evaluation with Active Learning,PIEAL），通过主动学习策略，从采样图上挖掘的频繁模式中选择代表性模式，并利用有限次人机交互收集用户对这些模式的偏好，进而预测模式的兴趣分数，指导算法发现用户感兴趣的模式.在人机交互环节，PIEAL采用基于成对比较的策略来收集用户对模式的偏好反馈，有效降低了用户的主观评价难度.在真实数据集上的实验结果表明，PIEAL仅需要少量的人机交互便可发现用户感兴趣的模式，其测试集准确率最高可达95%.

关键词

主动学习 / 交互式 / 频繁模式挖掘 / 兴趣度