Menambang Aturan Asosiasi

di Basis Data Besar

penambangan aturan asosiasi
Penambangan asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Penambangan aturan asosiasi multidimensi dari
basis data transaksi dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Constraint-based association mining
Summary
 Asosiasi Berlapis Ganda
Aturan Food

Item sering membentuk hierarki.

susu roti
Item di tingkat bawah adalah
diharapkan memiliki lebih rendah
menyisir 2% gandum putih
dukungan.
Aturan mengenai himpunan item di
Senja Fraser
tingkat yang sesuai bisa jadi
cukup berguna.
Basis data transaksi dapat menjadi TID Items
tidak terkode berdasarkan T1 {111, 121, 211, 221}
dimensi dan tingkat T2 {111, 211, 222, 323}
We can explore shared multi- T3 {112, 122, 221, 411}
penambangan level T4 {111, 121}
T5 {111, 122, 211, 221, 413}
 Penambangan Multi-Level
Asosiasi
Pendekatan mendalam secara progresif dari atas ke bawah:
Pertama-tama temukan aturan kuat tingkat tinggi:
susu roti [20%, 60%].
Kemudian temukan aturan mereka yang lebih rendah ― lebih "lemah" :
Susu 2% roti gandum [6%, 50%].
Variasi dalam penambangan asosiasi multi-level
aturan.
Aturan asosiasi lintasan level:
susu 2% Roti Gandum Ajaib
Aturan asosiasi dengan beberapa alternatif
hierarchies:
susu 2% Roti Wonder
 Asosiasi Multi-level: Seragam
Support vs. Reduced Support
Dukungan Uniform: dukungan minimum yang sama untuk semua tingkatan
+Satu ambang dukungan minimum. Tidak perlu memeriksa himpunan item
containing any item whose ancestors do not have minimum
dukungan.
–Item tingkat rendah tidak muncul sefrekuensi itu. Jika dukungan
ambang
terlalu tinggikelemahan asosiasi tingkat rendah
terlalu rendah menghasilkan terlalu banyak asosiasi tingkat tinggi
Dukungan Berkurang: dukungan minimum yang berkurang pada tingkat yang lebih rendah
tingkatan
Ada 4 strategi pencarian:
Mandiri tingkat demi tingkat
Penyaringan lintasan oleh k-itemset
Penyaringan lintas tingkat berdasarkan item tunggal
Penyaringan lintasan level terkontrol oleh item tunggal
 Dukungan Seragam
Penambangan multi-level dengan dukungan uniform

Tingkat 1 Susu
min_sup = 5%
[support = 10%]

Tingkat 2 Susu 2% Susu Skim

min_sup = 5% [support = 6%] [support = 4%]
 Dukungan yang Diminimalkan
Pertambangan multi-level dengan dukungan yang dikurangi

Tingkat 1 Susu
min_sup = 5%
[support = 10%]

Tingkat 2 Susu 2% Susu Skim

min_sup = 3% [support = 6%] [support = 4%]
 Asosiasi Multi-level
Penyaringan Redundansi

Beberapa aturan mungkin menjadi redundan karena 'nenek moyang'

hubungan antara item.
Contoh
susu roti gandum [dukungan = 8%, keyakinan = 70%]
susu 2% roti gandum[support = 2%, confidence = 72%]
Kami mengatakan bahwa aturan pertama adalah nenek moyang dari aturan kedua

aturan.
Sebuah aturan dianggap redundan jika dukungannya mendekati
nilai yang "diharapkan", berdasarkan nenek moyang aturan.
 Penambangan Multi-Level:
Pendalaman Progresif
Pendekatan mendalam secara progresif dari atas ke bawah:
Pertama, gali item-item frekuensi tinggi tingkat tinggi:
milk (15%), bread (10%)
Kemudian gali frekuensi rendah mereka yang "lebih lemah"
itemsets:
Susu 2% (5%), roti gandum (4%)
Ambang min_support yang berbeda di berbagai multi-
tingkat mengarah pada algoritma yang berbeda:
Jika mengadopsi samemin_supportacross multi-
levels
maka kehilangan salah satu nenek moyang oft jarang terjadi.
Jika mengadopsi dukungan_min_reduksi pada tingkat yang lebih rendah
kemudian periksa hanya keturunan tersebut yang nenek moyangnya
dukungan sering/tidak dapat diabaikan.
 Penyempurnaan Progresif dari
Kualitas Penambangan Data

Mengapa penyempurnaan progresif?

Operator penambangan bisa mahal atau murah, halus atau kasar
Tukar kecepatan dengan kualitas: penyempurnaan langkah demi langkah.

Properti cakupan superset:

Lestarikan semua jawaban positif—izinkan tes negatif yang positif tetapi
bukan tes negatif palsu.
Penambangan dua langkah atau multi-langkah:

Pertama terapkan operator kasar/murah (cakupan superset)

Kemudian terapkan algoritma mahal pada jumlah yang secara substansial berkurang

set kandidat (Koperski & Han, SSD’95).

 Penambangan Spasial
Aturan Asosiasi
Hierarki hubungan spasial:
―g_close_to‖: near_by, touch, intersect, contain, etc.
Pertama cari hubungan kasar dan kemudian perbaiki.
Penambangan asosiasi spasial dua langkah:
Langkah 1: perhitungan spasial kasar (sebagai filter)
Using MBR or R-tree for rough estimation.
Langkah2: Algoritma spasial terperinci (sebagai penyempurnaan)
Terapkan hanya pada objek yang telah melewati proses kasar
uji asosiasi spasial (tidak kurang dari min_support)
 Menambang Aturan Asosiasi
dalam Basis Data Besar
Penambangan aturan asosiasi
Penambangan asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Menambang aturan asosiasi multidimensi dari
basis data transaksional dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Penambangan asosiasi berbasis kendala
Summary
 Asosiasi Multi-Dimensi
Konsep
Aturan satu dimensi:
beli(X, ―susu‖) membeli(X, ―roti‖)
Aturan multi-dimensi: 2 dimensi atau
predikat
Inter-dimension association rules (no repeated predicates)
age(X,‖19-25‖) occupation(X,―student‖) membeli(X, "coke")
aturan asosiasi dimensi hibrida (predikat yang diulang)
usia(X,‖19-25‖) membeli(X, ―popcorn‖) membeli(X, ―coke‖)
Atribut Kategorikal
jumlah nilai yang mungkin terbatas, tidak ada urutan di antara
nilai, juga disebut nominal.
Atribut Kuantitatif
numeric, implicit ordering among values
 Teknik Penambangan
Asosiasi MD

Cari untuk set predikat frekuensi tinggi:

Contoh:{usia, pekerjaan, pembelian} adalah kumpulan 3 predikat.
Teknik dapat dikategorikan berdasarkan bagaimana mereka diperlakukan.

1. Menggunakan diskritisasi statis dari atribut kuantitatif

Atribut kuantitatif didiskretkan secara statis dengan menggunakan
hierarki konsep yang telah ditentukan.
2. Aturan asosiasi kuantitatif
Atribut kuantitatif didiskretkan secara dinamis menjadi
―bin― berdasarkan distribusi data.
3. Aturan asosiasi berbasis jarak
Ini adalah proses diskretisasi dinamis yang mempertimbangkan
jarak antara titik data.
 Diskretisasi Statis dari
Atribut Kuantitatif
Didiskretkan sebelum ditambang menggunakan hierarki konsep.
Nilai numerik diganti dengan rentang.
Dalam basis data relasional, menemukan semua himpunan k-predicate yang sering akan memerlukan
pindai tabel kork+1.
Kubus data sangat cocok untuk penambangan. ()
Sel-sel dari n-dimensi
kubus mengacu pada (age) (income) (membeli)

himpunan predikat.
Penambangan dari kubus data
(age, income) (age,buys) (income,buys)
bisa jauh lebih cepat.

(age,income,buys)
 Asosiasi Kuantitatif
Aturan
Atribut numerik didiskritkan secara dinamis
Sehingga tingkat kepercayaan atau kepadatan dari aturan yang ditambang adalah
dimaksimalkan.
Aturan asosiasi kuantitatif 2-D: Aquan1 Aquan2 Akucing
Cluster ―bersebelahan‖
aturan asosiasi
untuk membentuk umum
rules using a 2-D
grid.
Example:

age(X,”30-34”) income(X,”24K-
48K”
beli(X, "TV resolusi tinggi")
 ARCS (Pengelompokan Aturan Asosiasi)
Sistem)
Bagaimana cara kerja ARCS?

1. Pengelompokan

2. Temukan yang sering

kumpulan predikat

3. Klustering

4. Optimalisasi
 Keterbatasan dari
ARCS

Hanya atribut kuantitatif di sisi kiri aturan.

Hanya 2 atribut di LHS. (batasan 2D)
Alternatif untuk ARCS
Non-berbasis grid
penyetelan kedalaman yang sama

klustering berdasarkan ukuran sebagian

kelengkapan.
―Menambang Aturan Asosiasi Kuantitatif di
Tabel Relasional Besar oleh R. Srikant dan R.
Agrawal.
Penambangan Berdasarkan Jarak
Aturan Asosiasi
Metode pengelompokan tidak menangkap semantik interval
data
Lebar Sama Kedalaman Sama Distance-
Price($) (width $10) (depth 2) berbasis
7 [0,10] [7,20] [7,7]
20 [11,20] [22,50] [20,22]
22 [21,30] [51,53] [50,53]
50 [31,40]
51 [41,50]
53 [51,60]

Partisi berbasis jarak, diskretisasi yang lebih bermakna

mempertimbangkan:
kepadatan/jumlah titik dalam interval
―kedekatan‖ titik-titik dalam suatu interval
 Aturan Asosiasi Penambangan
dalam Basis Data Besar
penambangan aturan asosiasi
Penambangan asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Menambang aturan asosiasi multidimensi dari
basis data transaksional dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Penambangan asosiasi berbasis kendala
Summary
Interestingness Measurements
Ukuran objektif
Dua ukuran populer:
dukungan;dan
kepercayaan
Ukuran subjektif (Silberschatz &
Tuzhilin, KDD95)
Sebuah aturan (pola) menarik jika
itu tidak terduga (mengejutkan bagi pengguna); dan/atau
dapat ditindaklanjuti (pengguna dapat melakukan sesuatu dengan itu)
 Kritik untuk Mendukung dan
Kepercayaan
Contoh 1: (Aggarwal & Yu, PODS98)
Di antara 5000 siswa
3000 bermain basket
3750 makan sereal
2000 baik bermain basket maupun makan sereal
bermain bola basket makan sereal[40%, 66.7%] menyesatkan
karena persentase keseluruhan siswa yang makan sereal adalah 75%
yang lebih tinggi dari 66,7%.
bermain basket tidak makan sereal[20%, 33.3%] jauh lebih
akurat, meskipun dengan dukungan dan kepercayaan yang lebih rendah

basket tidak basket jumlah(baris)

sereal 2000 1750 3750
bukan sereal 1000 250 1250
jumlah(kol.) 3000 2000 5000
 Kritik untuk Mendukung dan
Kepercayaan (Lanjutan)
Contoh 2:
X dan Y: berkorelasi positif, X 1 1 1 1 0 0 0 0
X dan Z, berhubungan negatif Y 1 1 0 0 0 0 0 0
dukungan dan kepercayaan dari
X=>Z mendominasi Z 0 1 1 1 1 1 1 1
Kita membutuhkan ukuran ketergantungan
atau peristiwa yang berkorelasi

P(A B) Rule Support Confidence

corrA,B X=>Y 25% 50%
P(A)P(B) X=>Z 37,50% 75%
P(B|A)/P(B) juga disebut sebagai lift
dari aturan A => B
Ukuran Ketertarikan Lainnya:
Interest

Minat (korelasi, pengangkatan) P(A B)

P(A)P(B)
mempertimbangkan baik P(A) dan P(B)

P(A^B)=P(B)*P(A), jika A dan B adalah peristiwa independen

A dan B berkorelasi negatif, jika nilainya kurang dari 1;

sebaliknya A dan B berkorelasi positif

X 1 1 1 1 0 0 0 0 Himpunan item Dukungan Bunga

X,Y 25% 2
Y 1 1 0 0 0 0 0 0 X,Z 37,50% 0,9
Z 0 1 1 1 1 1 1 1 Y,Z 12,50% 0,57
 Aturan Asosiasi Penambangan
dalam Database Besar
penambangan aturan asosiasi
Menambang asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Menambang aturan asosiasi multidimensi dari
basis data transaksional dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Penambangan asosiasi berbasis batas
Summary
 Penambangan Berbasis Pembatasan

Interaktif, eksploratif menambang giga-byte data?

Apakah itu bisa nyata?—Memanfaatkan batasan dengan baik!
Jenis batasan apa yang dapat digunakan dalam penambangan?
Pembatasan jenis pengetahuan: klasifikasi, asosiasi
dll.
Kendala data: kueri mirip SQL
Temukan pasangan produk yang dijual bersama di Vancouver pada Desember '98.

Keterbatasan dimensi/level:
dalam hubungan dengan wilayah, harga, merek, kategori pelanggan.
Keterbatasan aturan
penjualan kecil (harga < $10) memicu penjualan besar (jumlah > $200).

Keterbatasan ketertarikan:
aturan yang kuat (min_support 3%, min_kepastian 60%).
 Keterbatasan Aturan dalam Asosiasi
Pertambangan

Dua jenis aturan batasan:

Bentuk aturan kendala: penambangan yang dipandu oleh meta-aturan.
 engambil(x, ―sistem basis data‖).
P(x, y) ^ Q(x, w) m
Aturan (konten) kendala: kueri berbasis kendala
optimisasi (Ng, et al., SIGMOD’98).
jumlah(LHS) < 100 ^ min(LHS) > 20 ^ hitung(LHS) > 3 ^ jumlah(RHS) >
1000
1-kendala variabel vs. 2-kendala variabel (Lakshmanan,
et [Link]'99):
1-var: Sebuah batasan yang membatasi hanya satu sisi (K/K) dari
aturan, misalnya, seperti yang ditunjukkan di atas.

2-var: Sebuah batasan yang membatasi kedua sisi (L dan R).

jumlah(LHS) < min(RHS) ^ max(RHS) < 5* jumlah(LHS)
 Asosiasi Berbasis Pembatasan
Kueri
Database: (1) trans (TID, Itemset ), (2) itemInfo (Item, Type, Price)
Kueri asosiasi yang dibatasi (CAQ) berada dalam bentuk {(S1, S2)|C},
di mana C adalah sekumpulan batasan pada S1, S2 termasuk batasan frekuensi
Klasifikasi batasan (variabel tunggal):
Kelas batasan: S A.e.g. S Barang
Keterbatasan domain:
S v, { , , , , , }. misalnya [Link] < 100
v S, adalah atau camilan [Link]
V S,atauS V { , , , , }
e.g.{snacks, sodas} [Link]
Keterbatasan agregasi:agg(S) v, di mana agg berada dalam {min, max, sum, count,
rata}, dan { , , , , , }.
misalnya count([Link]) 1 , rata-rata([Link]) 100
 Kueri Asosiasi Terbatas
Masalah Optimisasi
Given a CAQ={ (S1, S2)| C}, the algorithm should be :
Ini hanya menemukan himpunan yang sering yang memenuhi kriteria yang diberikan
kendala C
Semua himpunan frekuen memenuhi batasan yang diberikan C
ditemukan
Sebuah solusi naif:
Terapkan Apriori untuk menemukan semua set frekuen, dan kemudian
uji mereka untuk pemenuhan batas satu per satu.
Pendekatan kami:
Analisis komprehensif tentang karakteristik dari batasan
dan coba dorong mereka sedalam mungkin ke dalam
perhitungan set frekuen.
Anti-monoton dan Monoton
Keterbatasan
Sebuah pembatas Caisanti-monotoneiff. untuk
pola S yang tidak memenuhi Catidak ada dari
pola-super S dapat memenuhi Ca
Sebuah batasan Cmismonotoneiff. untuk setiap
pola S memenuhi Cm, setiap super-
pattern of S also satisfies it
Keterbatasan Singkat
Sebuah subset dari item Isadalah himpunan ringkas, jika dapat
diekspresikan sebagai p(I) untuk beberapa pilihan
predikat p, di mana adalah operator pemilihan
SP 2Sayaadalah himpunan daya yang ringkas, jika ada
jumlah tetap dari set ringkas I1, …, sayak Saya, s.t.
SP dapat dinyatakan dalam istilah ketat
himpunan kekuatan dari I1, …, sayakmenggunakan union dan minus
Sebuah kendala Csdisediakan SATCs(Saya) adalah
himpunan kekuasaan yang singkat
Keterbatasan Konvertibel
Misalkan semua item dalam pola terdaftar dalam sebuah
total order R
Sebuah batasan C dapat diubah menjadi anti-monoton jika dan hanya jika

sebuah pola S yang memenuhi batasan berarti

bahwa setiap sufiks dari S terkait dengan R juga memenuhi C
Sebuah batasan C dapat diubah menjadi monoton jika a
pola S yang memenuhi batasan berarti bahwa
setiap pola di mana S adalah akhiran terhadap R
juga memenuhi C
Hubungan antara
Kategorisasi Pembatasan

Keringkasan

Anti-monotonisitas Monotonisitas

Keterbatasan konversi

Keterbatasan yang tidak dapat diubah

 Properti dari Kendala:
Anti-Monoton
Anti-monotonisitas: Jika suatu himpunan S melanggar batasan, maka setiap
superset dari S melanggar batasan.
Contoh:
jumlah([Link]) visanti-monotone
jumlah([Link]) visnot anti-monoton
jumlah([Link])=vispartly anti-monoton
Application:
Push ―jumlah([Link]) 1000‖ dalam iteratif secara mendalam
komputasi himpunan frekuen.
Anti-Monotonisitas
Keterbatasan
S v, { , , } ya
v S tidak
S V tidak
S V ya
S V sebagian
min(S) v tidak
min(S) v ya
min(S) v sebagian
maks(S) v ya
maks(S) v tidak
maks(S) v sebagian
hitung(S) v ya
hitung(S) v tidak
hitung(S) v sebagian
jumlah(S) v ya
jumlah(S) v tidak
jumlah(S) v sebagian
avg(S) v, { , , } terbuka
(kendala frekuensi) ya
Contoh Konvertibel
Kendala: Rata-rata(S) V
Biarkan R menjadi nilai urut menurun
atas kumpulan barang
E.g. I={9, 8, 6, 4, 3, 1}
Avg(S) v dapat diubah menjadi monoton
berkenaan dengan R

Jika S adalah akhiran dari S1, rata-rata(S1) rata-rata(S)

{8, 4, 3} adalah akhiran dari {9, 8, 4, 3}
avg({9, 8, 4, 3})=6 rata-rata({8, 4, 3})=5
If S satisfies avg(S) v, jadi S juga1
{8, 4, 3} memenuhi batasan avg(S) 4, jadi
apakah {9, 8, 4, 3}
 Properti dari Pembatasan:
Keringkasan
Ketepatan
Untuk setiap himpunan S1 dan S2 yang memenuhi C, S1 S2memuaskan C
Diberikan A1 adalah himpunan ukuran 1 yang memenuhi C, maka setiap himpunan S
C yang memuaskan didasarkan pada A1, yaitu, ia mengandung himpunan bagian
miliki A1
Contoh :
jumlah([Link])vis tidak ringkas
min([Link]) vis ringkas
Optimisasi:
Jika C ringkas, maka C dapat dipangkas sebelum menghitung. Yang
kepuasan dari kendala itu sendiri tidak terpengaruh oleh
dukungan perhitungan iteratif.
Karakterisasi Kendala
oleh Ketepatan
S v, { , , } Ya
v S ya
S V ya
S V ya
S V iya
min(S) v ya
min(S) v ya
min(S) v ya
maks(S) v ya
max(S) v ya
maks(S) v ya
hitung(S) v lemah
jumlah(S) v lemah
hitung(S) v lemah
jumlah(S) v tidak
jumlah(S) v tidak
jumlah(S) v tidak
rata-rata(S) v { , , } tidak
(kendala frekuensi) tidak
 Aturan Asosiasi Pertambangan
dalam Basis Data Besar
penambangan aturan asosiasi
Menambang asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Menambang aturan asosiasi multidimensi dari
basis data transaksional dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Penambangan asosiasi berbasis kendala
Summary
 Mengapa Kue Besar Masih Ada?

Lebih lanjut tentang penambangan asosiasi berbasis batasan

Asosiasi Boolean vs. kuantitatif
Asosiasi pada data diskrit vs. data kontinu
Dari asosiasi ke korelasi dan struktur kausal
analisis.
Asosiasi tidak selalu menunjukkan korelasi atau penyebab
hubungan
Dari asosiasi intra-transaksi ke inter-transaksi
asosiasi
Misalnya, menghancurkan batasan transaksi (Lu, et [Link]'99).
From association analysis toclassification and clustering
analisis
Misalnya, aturan asosiasi pengelompokan
 Aturan Asosiasi Penambangan
dalam Basis Data Besar
penambangan aturan asosiasi
Menambang asosiasi Boolean satu dimensi
aturan dari basis data transaksional
Menambang aturan asosiasi multilevel dari
basis data transaksional
Penambangan aturan asosiasi multidimensi dari
basis data transaksional dan gudang data
Dari penambangan asosiasi ke analisis korelasi
Penambangan asosiasi berbasis batasan
Summary
 Summary
penambangan aturan asosiasi
mungkin kontribusi yang paling signifikan dari
komunitas basis data di KDD
Sejumlah besar makalah telah diterbitkan
Banyak masalah menarik telah dieksplorasi
Sebuah arah penelitian yang menarik
Analisis asosiasi dalam jenis data lainnya: spasial
data, data multimedia, data deret waktu, dll.
 References
R. Agarwal, C. Aggarwal, dan V. V. V. Prasad. Algoritma proyeksi pohon untuk generasi
set item yang sering. Dalam Jurnal Perhitungan Paralel dan Terdistribusi (Edisi Khusus tentang
Penambangan Data Kinerja Tinggi), 2000.
R. Agrawal, T. Imielinski, dan A. Swami. Menambang aturan asosiasi antara himpunan barang
di basis data besar. SIGMOD'93, 207-216, Washington, D.C.
R. Agrawal dan R. Srikant. Algoritma cepat untuk menambang aturan asosiasi. VLDB'94 487-499,
Santiago, Chili.
R. Agrawal dan R. Srikant. Penambangan pola berurutan. ICDE'95, 3-14, Taipei, Taiwan.
R. J. Bayardo. Menambang pola panjang secara efisien dari basis data. SIGMOD'98, 85-93, Seattle,
Washington.
S. Brin, R. Motwani, dan C. Silverstein. Di luar keranjang pasar: Menggeneralisasi asosiasi
aturan untuk korelasi. SIGMOD'97, 265-276, Tucson, Arizona.
S. Brin, R. Motwani, J. D. Ullman, dan S. Tsur. Penghitungan itemset dinamis dan implikasi
aturan untuk analisis keranjang pasar. SIGMOD'97, 255-264, Tucson, Arizona, Mei 1997.
K. Beyer dan R. Ramakrishnan. Perhitungan dari bawah ke atas untuk kubus jarang dan kubus es.
SIGMOD'99, 359-370, Philadelphia, PA, Juni 1999.
D.W. Cheung, J. Han, V. Ng, dan C.Y. Wong. Pemeliharaan aturan asosiasi yang ditemukan
di database besar: Sebuah teknik pembaruan inkremental. ICDE'96, 106-114, New Orleans,
LA.
M. Fang, N. Shivakumar, H. Garcia-Molina, R. Motwani, and J. D. Ullman. Computing
 Referensi (2)
G. Grahne, L. Lakshmanan, dan X. Wang. Penambangan efisien dari set berkorrelasi yang terikat.
ICDE'00, 512-521, San Diego, CA, Feb. 2000.
Y. Fu dan J. Han. Penambangan aturan asosiasi yang dipandu oleh meta-rule dalam basis data relasional.
KDOOD'95, 39-46, Singapura, Des. 1995.
T. Fukuda, Y. Morimoto, S. Morishita, dan T. Tokuyama. Penambangan data menggunakan dua-
aturan asosiasi teroptimasi berdimensi: Skema, algoritma, dan visualisasi.
SIGMOD'96, 13-23, Montreal, Kanada.
E.-H. Han, G. Karypis, dan V. Kumar. Penambangan data paralel yang dapat diskalakan untuk aturan asosiasi.
SIGMOD'97, 277-288, Tucson, Arizona.
J. Han, G. Dong, dan Y. Yin. Penambangan pola periodik parsial yang efisien dalam deret waktu
basis data. ICDE'99, Sydney, Australia.
J. Han dan Y. Fu. Penemuan aturan asosiasi tingkat ganda dari basis data besar.
VLDB'95, 420-431, Zurich, Switzerland.
J. Han, J. Pei, dan Y. Yin. Menambang pola frekuensi tanpa menghasilkan kandidat.
SIGMOD'00, 1-12, Dallas, TX, Mei 2000.
T. Imielinski dan H. Mannila. Sebuah perspektif basis data tentang penemuan pengetahuan.
Komunikasi ACM, 39:58-64, 1996.
M. Kamber, J. Han, dan J. Y. Chiang. Penambangan multi-dimensi yang dipandu aturan meta
aturan asosiasi menggunakan kubus data. KDD'97, 207-210, Newport Beach, California.
M. Klemettinen, H. Mannila, P. Ronkainen, H. Toivonen, and A.I. Verkamo. Finding
 Referensi (3)
F. Korn, A. Labrinidis, Y. Kotidis, dan C. Faloutsos. Aturan rasio: Paradigma baru untuk cepat,
penambangan data yang dapat diukur. VLDB'98, 582-593, New York, NY.
B. Lent, A. Swami, dan J. Widom. Pengelompokan aturan asosiasi. ICDE'97, 220-231,
Birmingham, Inggris.
H. Lu, J. Han, dan L. Feng. Pergerakan saham dan inter-transaksi n-dimensi
aturan asosiasi. Lokakarya SIGMOD tentang Isu Penelitian dalam Data Mining dan
Penemuan Pengetahuan (DMKD'98), 12:1-12:7, Seattle, Washington.
H. Mannila, H. Toivonen, dan A. I. Verkamo. Algoritma efisien untuk menemukan
aturan asosiasi. KDD'94, 181-192, Seattle, WA, Juli 1994.
H. Mannila, H Toivonen, dan A. I. Verkamo. Penemuan episode yang sering dalam peristiwa
urutan. Penambangan Data dan Penemuan Pengetahuan, 1:259-289, 1997.
R. Meo, G. Psaila, dan S. Ceri. Operator mirip SQL baru untuk menambang aturan asosiasi.
VLDB'96, 122-133, Bombay, India.
R.J. Miller dan Y. Yang. Aturan asosiasi atas data interval. SIGMOD'97, 452-461,
Tucson, Arizona.
R. Ng, L. V. S. Lakshmanan, J. Han, dan A. Pang. Penambangan eksplorasi dan pemangkasan
optimalisasi aturan asosiasi dengan batasan. SIGMOD'98, 13-24, Seattle, Washington.
N. Pasquier, Y. Bastide, R. Taouil, dan L. Lakhal. Menemukan itemset tertutup yang sering untuk
 Referensi (4)
J.S. Park, M.S. Chen, dan P.S. Yu. Sebuah algoritma berbasis hash yang efektif untuk penambangan
aturan asosiasi. SIGMOD'95, 175-186, San Jose, CA, Mei 1995.
J. Pei, J. Han, dan R. Mao. CLOSET: Sebuah Algoritma Efisien untuk Menambang Tertutup yang Sering
Itemsets. DMKD'00, Dallas, TX, 11-20, Mei 2000.
J. Pei dan J. Han. Dapatkah Kita Memasukkan Lebih Banyak Kendala ke Dalam Penambangan Pola Sering? KDD'00.
Boston, MA. Agustus 2000.
G. Piatetsky-Shapiro. Penemuan, analisis, dan presentasi aturan kuat. Dalam G.
Piatetsky-Shapiro dan W. J. Frawley, editor, Penemuan Pengetahuan dalam Basis Data, 229-
238. AAAI/MIT Press, 1991.
B. Ozden, S. Ramaswamy, dan A. Silberschatz. Aturan asosiasi siklik. ICDE'98, 412-
421, Orlando, FL.
J.S. Park, M.S. Chen, dan P.S. Yu. Sebuah algoritma berbasis hash yang efektif untuk penambangan
aturan asosiasi. SIGMOD'95, 175-186, San Jose, CA.
S. Ramaswamy, S. Mahajan, dan A. Silberschatz. Mengenai penemuan yang menarik
pola dalam aturan asosiasi. VLDB'98, 368-379, New York, NY.
S. Sarawagi, S. Thomas, dan R. Agrawal. Mengintegrasikan penambangan aturan asosiasi dengan
sistem basis data relasional: Alternatif dan implikasi. SIGMOD'98, 343-354,
Seattle, WA.
A. Savasere, E. Omiecinski, dan S. Navathe. Sebuah algoritma yang efisien untuk penambangan
association rules in large databases. VLDB'95, 432-443, Zurich, Switzerland.
 Referensi (5)
C. Silverstein, S. Brin, R. Motwani, dan J. Ullman. Teknik yang dapat diskalakan untuk penambangan
struktur kausal. VLDB'98, 594-605, New York, NY.
R. Srikant dan R. Agrawal. Menambang aturan asosiasi yang digenalisasi. VLDB'95, 407-419,
Zurich, Swiss, Sept. 1995.
R. Srikant dan R. Agrawal. Menambang aturan asosiasi kuantitatif dalam hubungan besar
tabel. SIGMOD'96, 1-12, Montreal, Kanada.
R. Srikant, Q. Vu, dan R. Agrawal. Menambang aturan asosiasi dengan batasan item.
KDD'97, 67-73, Newport Beach, California.
H. Toivonen. Pengambilan sampel database besar untuk aturan asosiasi. VLDB'96, 134-145,
Bombay, India, September 1996.
D. Tsur, J. D. Ullman, S. Abitboul, C. Clifton, R. Motwani, dan S. Nestorov. Kueri
rangkaian: Sebuah generalisasi dari penambangan aturan asosiasi. SIGMOD'98, 1-12, Seattle
Washington.
K. Yoda, T. Fukuda, Y. Morimoto, S. Morishita, dan T. Tokuyama. Menghitung
wilayah rektalinear yang teroptimalkan untuk aturan asosiasi. KDD'97, 96-103, Newport Beach,
CA, Agustus 1997.
M. J. Zaki, S. Parthasarathy, M. Ogihara, dan W. Li. Algoritma paralel untuk penemuan
aturan asosiasi. Penambangan Data dan Penemuan Pengetahuan, 1:343-374, 1997.
M. Zaki. Generating Non-Redundant Association Rules. KDD'00. Boston, MA. Aug.