CN119539068A 一种基于Double DQN的稀有关联规则挖掘方法 (鲁东大学)_第1页
CN119539068A 一种基于Double DQN的稀有关联规则挖掘方法 (鲁东大学)_第2页
CN119539068A 一种基于Double DQN的稀有关联规则挖掘方法 (鲁东大学)_第3页
CN119539068A 一种基于Double DQN的稀有关联规则挖掘方法 (鲁东大学)_第4页
CN119539068A 一种基于Double DQN的稀有关联规则挖掘方法 (鲁东大学)_第5页
已阅读5页,还剩30页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于DoubleDQN的稀有关联规则挖掘本发明公开了一种基于DoubleDQN的稀有并对所述数据集进行预处理;构建基于DoubleDQN算法的稀有关联规则挖掘模型,预处理后的2构建稀有关联规则挖掘模型,所述稀有关联规则挖获取待挖掘的数据集D={(T1,TZ…,TW},其中,T,K={1,2,…,N}表示数据集,其中状态向量值tj,k表示对应的项目ik。形成的稀有关联规则的支持度小于等于设置的最大支持度m1ax_sup,置信度大于等于设置的最小置信度min_conf。根据预处理后的数据集p'随机初始化生成一个状态变量so:选择状态改变值最高的一项进行改变得到新的状态值,生成一个关联规则。每次迭代过程中,智能体在环境中执行一个动作并获得奖励和3当满足迭代条件后,将估计网络中第i个网络参数的值分配给目标网络对应的网络;励值R,=8;奖励值R,=100;关联规则挖掘模型应用于其他同源数据集的稀有关4稀有关联规则任务,并以预处理后的数据集作为环境;所述智能体利用训练好的Double[0010]获取待挖掘的数据集D={T1,T2,,其中状态向量值tj,k表示对应的项目ik。[0017]形成的稀有关联规则的支持度小于等于设置的最大支持度m1ax_sup,置信度大5于等于设置的最小置信度min_conf。则Ruleo=AO→co。[0025]当满足迭代条件后,将估计网络中第i个网络参数的值分配给目标网络对应的[0031]如果支持度小于等于最大支持度但小于最小置信度,则表示该规则的置信度不足,奖励值R,=8;[0032]如果支持度小于等于最大支持度且大于最小置信度,并且是第一次挖掘出该规[0033]如果支持度小于等于最大支持度且大于最小置信度,并且非第一次挖掘出该规[0035]当通过DoubleDQN算法模型完成某一数据集的稀有关联规则挖掘后,将所述DoubleDQN算法模型应用于同源单不[0037]1、本发明将DoubleDQN应用到稀有关联规则挖掘中,充分发挥出深度学习的优6[0045]图5为本发明实施例提供的针对pumsb数据集不同挖掘方法挖掘出的稀有关联规[0046]图6为本发明实施例提供的针对connect数据集不同挖掘方法挖掘出的稀有关联[0047]图7为本发明实施例提供的针对mushroom数据集不同挖掘方法挖掘出的稀有关联[0048]图8为本发明实施例提供的针对chess数据集不同挖掘方法挖掘出的稀有关联规[0049]图9为本发明实施例提供的针对pumsb数据集不同挖掘目标下挖掘出的稀有关联[0050]图10为本发明实施例提供的针对connect数据集不同挖掘目标下挖掘出的稀有关[0051]图11为本发明实施例提供的针对mushroom数据集不同挖掘目标下挖掘出的稀有[0052]图12为本发明实施例提供的针对chess数据集不同挖掘目标下挖掘出的稀有关联7现频率较低但具有重要意义的规则。本发明中DoubleDQN模型通过修正选择网络的输出,的优势还在于提高了关联规则挖掘算法的效率和稳定性,使得挖掘结果更加可靠和可解D={T1,T2,…,TW}进行处理,项集I=fi,…niu};8[0064]假设D={T1,T2,…,TW}是一个数据集,包含N交易,其中包含的独特项集为表示数据集p'中第j项,tj,k表示对应的tx=1,否则tx=0,1sjsN,1SKSM。[0070]步骤2所建模型中的环境首先初始化一个向量,该作为生成状态变量的模板。环境依据此向量生成一个状态变量,[0073]智能体接着从所有可能的状态改变中挑选出分值最高的一项进行改变从而产生对应的项目iz设置为co,b,剩下的其余值为1对应的项目集设置为AO,得到关联规则Ruleo=AO→co。上述步骤也可以称为智能体根据向量qo来进行选择动作9。[0075]也就是说这个新的关联规则以改变状态的那一项为后继,以剩余bo中值为1的项[0077]步骤2所建模型中的环境根据步骤4中智能体产生的关联规则基于奖励RO。首先环境会计算上一步生成的关联规则Ruleo的支持度sup和置信度conf。支持度代表了关规则,则和只满足支持度阈值的情况一样给予奖励R,=8;除此之外智能体还会生成S2关联规则。[0088]应用示例中作为关联规则挖掘的目标类型的独特项集,本次关联规[0094]由步骤3可知刚开始由环境随机初始化生成状态值,即对所有状态的初始值进行[0095]然后如图2所示,将初q0=fqo1,q02…,qourn}=(0.20,0.10,0.03,-0.10,0.09,0.01},状态改变qo中前5项的值qo中第一项q01的值0.20最大,因此动作为a0=0,从而改变初始状态值S0中对应的So=b={0,1,1,0,1}确定的项目集,表示根据bo改变状态的这一项boo对应a,(ax,k为0)可表示为更多的例子如图3所示。[0099]在本发明中,如图4所示智能体的神经网络架构DoubleDQN为三层全连接神经网[0101]图5图8为本发明实施例提供的针对不同数据集不同挖掘方法挖掘出的稀有关联掘出的稀有关联规则数量对比示意图;图7为针对mushroom数据集不同挖掘方法挖掘出的[0102]图9图12为本发明实施例提供的针对不同数据集不同挖掘目标下挖掘出的稀有性其中,图9为针对pumsb数据集不同挖掘目标下挖掘出的稀有关联规则数量对比示意色src曲线为在源数据集上进行挖掘的结果,黄色tgt曲线为在目标数据集上挖掘的结果,xfr为在源数据集上训练然后迁移到到目标数据集上进行挖掘(即本发明提出的智能体转于此过程,就可以创建出一条关联规则,即Rule(bx+1)={iz,is,is}一fi}本发明的目标是让[0106]最优Q函数表示为Q"(s,ar:0),有效地测量选择动作的分值,如下式所示:[0109]根据式(1单一DQN中的优化旨在将Q(S,a;9)收敛到Q-(S,a;8)。换句话说,于每个动作只能修改向量b的一个值。这意味着智能体在一定时期内采取的连续行动可能到异常情况干扰造成中断。[0114]只有当规则的支持度小于或等于最大支持度m1ax_sup,且置信度大于或等于最小置信度min_conf时,才被认为是稀有关联规则。这意味着当RARM_RL利用p(Rule)来提取RAR时,需要同时考虑最大支持度max_sup=E1和最小置信度min_conf=EZ。因此,智能体决定采取可能形成稀有关联规则RAR的动作时,会受到两个关联规则挖掘兴趣度度量),则给予_1的奖励。这样做可以阻止智能体在与类似的状态sk中采取在状态或类似状态中执行动作ax的重要性来促进稀有关联规则RAR形成的[0123]此情况受到三个条件的限制。第一个条件检查Rule(bx1)是否满足支持度的要[0126]当这三个条件都满足时,Rule(bx1)成为新提取的目标类型的一条稀有关联规[0128]对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论