概率化与强化关联规则挖掘

本工作引入了4种新颖的概率化和强化驱动的关联规则挖掘方法：基于高斯过程的关联规则挖掘（GPAR）、贝叶斯关联规则挖掘（BARM）、基于多臂老虎机的关联规则挖掘（MAB-ARM）以及基于强化学习的关联规则挖掘（RLAR）。这些方法从传统基于频率的算法（如Apriori、FP-Growth和Eclat）中显著不同，提供了增强的能力，用于整合先验知识、建模不确定性、项目间依赖关系、概率推理和自适应搜索策略。GPAR采用高斯过程对项目共现情况进行特征表示建模，实现原则化的推理、不确定性量化以及无需重新训练即可对未见项目集进行高效泛化。BARM采用贝叶斯框架，包含先验分布和可选的相关结构，通过完整的后验分布对项目存在概率进行稳健的不确定性量化。MAB-ARM（包括其蒙特卡洛树搜索（MCTS）伴随方法）利用上置信界（UCB）策略，对项目集空间进行高效和自适应的探索；RLAR则应用深度Q网络（DQN）学习用于识别高质量规则的可泛化策略。总体而言，这些方法提高了关联规则挖掘的灵活性和鲁棒性，尤其适用于发现罕见或复杂模式以及在小数据集上运行。在合成数据集和真实世界数据集上的实验结果表明，这些方法有效，同时也揭示了计算复杂度和可解释性之间的权衡。这些创新标志着从静态、频率驱动范式向动态、先验和依赖信息、不确定性感知或可扩展关联规则挖掘框架的重大转变，适用于零售、地理、金融、医疗诊断和风险敏感场景等多样化应用领域。