Efficient Pattern Mining Methods

@(Pattern Discovery in Data Mining)
本文介绍了几个模式挖掘的高效算法。主要以Apriori思想为框架，主要讲解了FP-Growth算法。

The Downward Closure Property of Frequent Patterns

1. Property
   The downward closure (also called “Apriori”) property of frequent patterns:

   • If {beer, diaper, nuts} is frequent, so is {beer, diaper}
   • Every transaction containing {beer, diaper, nuts} also contains {beer, diaper}
   • Apriori: Any subset of a frequent itemset must be frequent

2. Efficient mining methodology

   • If any subset of an itemset S is infrequent, then there is no chance for S to
     ??be frequent — why do we even have to consider S!? (It is an efficient way to prune)

3. Principle
   Apriori pruning principle: If there is any itemset which is infrequent, its superset should not even be generated! (Agrawal & Srikant @VLDB’94, Mannila, et al. @ KDD’ 94)

4. Scalable mining Methods

   • Level-wise, join-based approach: Apriori (Agrawal &Srikant@VLDB’94)
   • Vertical data format approach: Eclat (Zaki, Parthasarathy, Ogihara, Li @KDD’97)
   • Frequent pattern projection and growth: FPgrowth (Han, Pei, Yin @SIGMOD’00)

The Apriori Algorithm

1. Outline of Apriori (level-wise, candidate generation and test)

   • Initially, scan DB once to get frequent 1-itemset
   • Repeat
     
     • Generate length-(k+1) candidate itemsets from length-k frequent itemsets
     • Test the candidates against DB to find frequent (k+1)-itemsets
     • Set k := k +1
   • Until no frequent or candidate set can be generated
   • Return all the frequent itemsets derived

2. Psuedo Code
   

3. Tricks
   joining & pruning

这里，对于某此迭代产生的joining结果，检验任何一个k-1的子集是否在候选集$C_k$中。即上图pruning的过程。

Extensions or Improvements of Apriori

• Reduce passes of transaction database scans
  
  • Partitioning (e.g., Savasere, et al., 1995)
  • Dynamic itemset counting (Brin, et al., 1997) —> one of Google’s cofounder
• Shrink the number of candidates
  
  • Hashing (e.g., DHP: Park, et al., 1995)
  • Pruning by support lower bounding (e.g., Bayardo 1998) ? Sampling (e.g., Toivonen, 1996)
• Exploring special data structures
  
  • Tree projection (Aggarwal, et al., 2001)
  • H-miner (Pei, et al., 2001)
  • Hypecube decomposition (e.g., LCM: Uno, et al., 2004)

Mining Frequent Patterns by Exploring Vertical Data Format

FPGrowth: A Frequent Pattern-Growth Approach

1. 构造FP-Tree，快速迭代生成frequent patterns
   什么是FP-Tree？如何构造FP-Tree？
   
   • 计算每个single itemset的frequency
   • 将每个个Transaction中item的根据frequency进行排序
   • 类似于前缀树，生成FP-Tree，其中每个节点代表了一个item

生成结果如下所示：

1. 生成Frequent Itemset
   利用分治的方法进行迭代计算。
   过程（设min_sup=2，以e后缀为例）：
   1）得到e的前缀路径子树
   
   2）计算e的频数，判断e是否是frequent item。方法是遍历e节点的链表（虚线连接）计算节点数目，得sup(e)=3 > 2，所以继续下述步骤。
   3）因为e是频繁的，找到所有以e结尾的frequent itemlist，也就是说，分拆问题，进行迭代。
   这里我们首先需要拿到e的Conditional FP-Tree。
   4）Conditional FP-Tree的生成：
   结果：比较挫，直接看图
   
   步骤：
   1 - 更新e的前缀路径子树中的support值
   
   2 - 删除包含e的节点
   
   3 - 删除不频繁(infrequent)的节点，这里的c和d根据前述计算频数的方法知道满足最小support条件。至此，已经得到了关于e的Conditional FP-Tree。
   
   5）利用前面得到的关于e的CFPT，找到所有以de、ce、ae结尾（be不考虑因为b已经被删除）的frequent itemlist。这里直接调用分治的过程进行递归。例如对于de来说，在e的CFPT中找到关于de的前缀路径子树……得到de的CFPT。
   例如$e \to de \to ade$，$e \to ce$，$e \to ae$

讨论：对于单枝前缀路径子树，一次就能生成所有frequent patterns。例如：

* 此处红框选中的子树是m-cond. based，单枝树为{}-f3-c3-a3.
* 这是一个迭代的过程，节点a产生了第二棵树{}-f3-c3. 节点c产生了树{}-f3.
然后第二棵树中的节点c产生了最后一棵树{}-f3. 节点f无法再产生新的树。
* 第一棵树是m-cond. based，产生了组合fm，cm，am
* 第二棵树是am-cond. based，产生了fam，cam
* 第三棵树是cm-cond. based，产生了fcm
* 最后一棵树产生了fcam
* 所以我们可以得到并集 fm, cm, am, fam, fcm, cam, fcam。

课程习题：

这里Parallel Project比较耗费空间，因为它是根据需要计算的不同的X-cond. based进行任务分割来计算的，但是比较快；而Partition则根据树枝进行切分，这样是真正意义上的“partition”。

Mining Closed Patterns