逐条学习：通过词汇扩展实现置信学习

在本文中，我们提出了一种创新的迭代式规则学习方法，专门针对（但不局限于）基于文本的数据。我们的方法侧重于在每次迭代中逐步扩展所使用的词汇，从而显著降低内存消耗。此外，我们引入置信值作为所生成规则可靠性的指标。通过利用置信值，我们的方法确保仅保留最稳健且最可信的规则，从而提高整体规则学习过程的质量。我们通过在各种文本以及非文本数据集上的广泛实验来证明该方法的有效性，包括一个对保险行业具有重大意义的用例，展示了其在现实世界应用中的潜力。