การทำเหมืองกฎการเชื่อมโยง (Association Rule Mining) ค้นพบความสัมพันธ์ระหว่างไอเทมในชุดข้อมูล ใช้กฎ "If A, then B" วัดด้วย Support (ความถี่) และ Confidence (ความน่าเชื่อถือ) การทำเหมืองกฎการเชื่อมโยงหลายระดับ (Multilevel) ขยายเพื่อหาความสัมพันธ์ในระดับละเอียดต่างๆ เช่น ระหว่างสินค้าตัวเดียวและหมวดหมู่สินค้า
พื้นฐานกฎการเชื่อมโยง
อัลกอริธึม Apriori ใช้กันอย่างแพร่หลายสำหรับทำเหมืองกฎการเชื่อมโยง มันสร้าง Candidate Itemsets แบบซ้ำๆ และตัดทิ้งที่ต่ำกว่าเกณฑ์ Support/Confidence
Electronics → Laptops, Phones, Tablets → Dell, HP (Level 0 → Level 1 → Level 2)
ประเภท
- Multi-dimensional: ความสัมพันธ์ข้ามมิติ (Product, Region, Time)
- Multi-level: ความสัมพันธ์ข้ามระดับละเอียด (ไอเทมเดี่ยว ↔ หมวดหมู่)
แนวทางเกณฑ์ Support
| แนวทาง | คำอธิบาย | Trade-off |
|---|---|---|
| Uniform Support | เกณฑ์เดียวกันทุกระดับ | เรียบง่ายแต่อาจพลาดรูปแบบระดับต่ำ |
| Reduced Support | เกณฑ์ต่ำกว่าที่ระดับล่าง | จับรูปแบบมากขึ้นแต่วงจรคำนวณมากขึ้น |
| Group-based Support | ผู้เชี่ยวชาญตั้งเกณฑ์ต่อกลุ่ม/หมวดหมู่ | ยืดหยุ่นสุด ต้องการ Domain Knowledge |
การประยุกต์ใช้
- Retail: พฤติกรรมซื้อลูกค้า, เพิ่มประสิทธิภาพวางสินค้า
- Healthcare: ระบุรูปแบบโรค, เพิ่มประสิทธิภาพการรักษา
- Fraud Detection: ตรวจจับความผิดปกติในการเงินและประกัน
- Web Mining: วิเคราะห์ความชอบผู้ใช้, Personalization เนื้อหา
- Social Networks: ตรวจจับชุมชน, ระบุ Influencers
ความท้าทาย
- High Dimensionality: จำนวนแอตทริบิวต์มากเพิ่มความซับซ้อน
- Large Datasets: ปริมาณเรคคอร์ดมากทำช้า Processing
- Scalability: ข้อมูลใหญ่เกินหน่วยความจำ ต้องใช้ Distributed Approaches
สรุป
Multilevel Association Rule Mining ค้นพบความสัมพันธ์ในระดับละเอียดต่างๆ ที่ Single-level Mining จะพลาด การเลือกแนวทางเกณฑ์ Support (Uniform, Reduced, Group-based) ทำให้สมดุลระหว่างการค้นพบรูปแบบกับต้นทุนคำนวณ ใช้กันกว้างใน Retail, Healthcare, Fraud Detection, Web Mining
