NGHIÊN CỨU TÍNH ỨNG DỤNG CỦA KHAI THÁC LUẬT KẾT HỢP TRONG CƠ SỞ DỮ LIỆU GIAO DỊCH RESEARCH ON THE APPLICATION OF ASSOCIATION RULES IN TRANSACTION DATABASE TRƯƠNG NGỌC CHÂU – PHAN VĂN DŨNG Trường Đại học Bách Khoa, Đại học Đà Nẵng TÓM TẮT Hiện tại, có số ứng dụng kết việc khai thác luật kết hợp sở liệu Tuy nhiên, chưa có nhiều nghiên cứu nói lên tính ứng dụng nó, nghiên cứu mang tính đơn thể, tự phát chưa có giải pháp tổng quát phạm vi sử dụng kết việc khai thác đa dạng phong phú Trong báo này, đề xuất giải pháp tổng quát cho tính ứng dụng việc khai thác luật kết hợp sở liệu giao dịch ABSTRACT Currently, there have been application results of the utilization of the association rules in database However, there have not been many studies on the practical applications because they are isolated and fail to put forward the overall solutions due to the diverse application areas of the research results In this research, we propose a particular solution to utilize the association rules in transaction database Đặt vấn đề Trong kỹ nguyên Internet, Intranets, Warehouses, mở nhiều hội cho nhà doanh nghiệp việc thu thập xử lý thông tin Hơn nữa, công nghệ lưu trữ phục hồi liệu phát triển cách nhanh chóng sở liệu quan, doanh nghiệp, đơn vị ngày nhiều thông tin tiềm ẩn phong phú đa dạng Cơ sở liệu doanh nghiệp liệu giao dịch đóng vai trò quan trọng cho việc hoạch định kế hoạch kinh doanh thương trường vào năm Hiện tại, việc sử dụng liệu đạt số kết định song số vấn đề tồn đọng như: Dựa hoàn toàn vào liệu, không sử dụng tri thức có sẳn lĩnh vực, kết phân tích khó làm rõ Phải có hướng dẫn người dùng để xác định phân tích liệu đâu Trong điều kiện yêu cầu thương trường, đòi hỏi phải có phương pháp nhanh, phù hợp, tự động, xác có hiệu để lấy thông tin có giá trị Các tri thức chiết xuất từ sở liệu nguồn tài liệu hỗ trợ cho lãnh đạo việc lên kế hoạch hoạt động việc định sản xuất kinh doanh Vì vậy, tính ứng dụng khai thác luật kết hợp từ sở liệu giao dịch vấn đề quan tâm đặc biệt viết Mục đích việc nghiên cứu xây dựng giải pháp hiệu tính ứng dụng luật kết hợp việc định quan doanh nghiệp dựa sở liệu giao dịch Khai phá liệu Khai phá liệu khái niệm đời vào năm cuối thập kỹ 1980 Nó trình khám phá thông tin ẩn tìm thấy sở liệu xem bước trình khám phá tri thức Data Mining giai đoạn quan trọng tiến trình khai phá tri thức từ sở liệu, tri thức hỗ trợ việc định khoa học kinh doanh Để hình dung vấn đề ta sử dụng ví dụ đơn giản sau: Khai phá liệu ví tìm kim đống cỏ khô Trong ví dụ này, kim mảnh nhỏ tri thức thông tin có giá trị đống cỏ khô kho sở liệu rộng lớn Như vậy, thông tin có giá trị tiềm ẩn kho sở liệu chiết xuất sử dụng cách hữu ích nhờ khai phá liệu Chức khai phá liệu gồm có gộp nhóm phân loại, dự báo, dự đoán phân tích liên kết Năm 1989 Fayyad, Smyth PiatestskyShapiro dùng khái niệm Phát tri thức từ sở liệu (Knowledge Discovery in Database-KDD) Trong đó, khai phá liệu giai đoạn đặc biệt toàn trình, sử dụng kỹ thuật để tìm mẫu từ liệu Quá trình khai phá liệu tiến hành qua giai đoạn hình 1[8]: Envalution of Data Mining Transformati Cleansing Preprocessing Knowledge Pattern Discovery Selection Transformed Data Gathering Internet, Target Data Cleansed Preprocessed Preparated Data Hình Quá trình khai phá liệu Bắt đầu trình kho liệu thô kết thúc với tri thức chiết xuất Về lý thuyết có vẽ đơn giản thực trình khó khăn gặp phải nhiều vướng mắc như: quản lý tập liệu, phải lặp lặp lại toàn trình,.v.v 2.1 Gom liệu (Gathering) Tập hợp liệu bước trình khai phá liệu Đây bước khai thác sở liệu, kho liệu chí liệu từ nguồn ứng dụng Web 2.2 Trích lọc liệu (Selection) Ở giai đoạn liệu lựa chọn phân chia theo số tiêu chuẩn đó, ví dụ chọn tất người có tuổi đời từ 25 – 35 có trình độ đại học 2.3 Làm sạch, tiền xử lý chuẩn bị trước liệu (Cleansing, Pre-processing and Preparation) Giai đoan thứ ba giai đoạn hay bị lãng, thực tế bước quan trọng trình khai phá liệu Một số lỗi thường mắc phải gom liệu tính không đủ chặt chẻ, logíc Vì vậy, liệu thường chứa giá trị vô nghĩa khả kết nối liệu Ví dụ: tuổi = 673 Giai đoạn tiến hành xử lý dạng liệu không chặt chẽ nói Những liệu dạng xem thông tin dư thừa, giá trị Bởi vậy, trình quan trọng liệu không “làm - tiền xử lý - chuẩn bị trước” gây nên kết sai lệch nghiêm trọng 2.4 Chuyển đổi liệu (Transformation) Tiếp theo giai đoạn chuyển đổi liệu, liệu đưa sử dụng điều khiển việc tổ chức lại Dữ liệu chuyển đổi phù hợp với mục đích khai thác 2.5 Phát trích mẫu liệu (Pattern Extraction and Discovery) Đây bước mang tính tư khai phá liệu Ở giai đoạn nhiều thuật toán khác sử dụng để trích mẫu từ liệu Thuật toán thường dùng nguyên tắc phân loại, nguyên tắc kết hợp mô hình liệu tuần tự, v.v 2.6 Đánh giá kết mẫu (Evaluation of Result) Đây giai đoạn cuối trình khai phá liệu Ở giai đoạn này, mẫu liệu chiết xuất phần mềm khai phá liệu Không phải mẫu liệu hữu ích, bị sai lệch Vì vậy, cần phải ưu tiên tiêu chuẩn đánh giá để chiết xuất tri thức (Knowlege) cần chiết xuất Trên giai đoạn trình khai phá liệu, giai đoạn giai đoạn quan tâm nhiều hay gọi Data Mining Luật kết hợp sở liệu – tính ứng dụng 3.1 Luật kết hợp sở liệu Gọi I = {I1, I2, , Im} tập m thuộc tính riêng biệt, thuộc tính gọi mục Gọi D sở liệu, ghi T giao dịch chứa tập mục, T I Định nghĩa 1: Một luật kết hợp quan hệ có dạng X Y, X, Y I tập mục gọi itemsets, X Y Ở đây, X gọi tiền đề, Y mệnh đề kết Hai thông số quan trọng luật kết hợp độ hỗ trợ (s) độ tin cậy (c) Định nghĩa 2: Độ hỗ trợ (support) luật kết hợp X Y tỷ lệ phần trăm ghi X Y với tổng số giao dịch có sở liệu Định nghĩa 3: Đối với số giao dịch đưa ra, độ tin cậy (confidence) tỷ lệ số giao dịch có chứa X Y với số giao dịch có chứa X Đơn vị tính % Việc khai thác luật kết hợp từ sở liệu việc tìm tất luật có độ hỗ trợ độ tin cậy lớn ngưỡng độ hỗ trợ độ tin cậy người sử dụng xác định trước Các ngưỡng độ hỗ trợ độ tin cậy ký hiệu minsup mincof Việc khai thác luật kết hợp phân tích thành hai vấn đề sau đây: Tìm tất tập mục thường xuyên xảy mà có độ hỗ trợ lớn minsup Tạo luật mong muốn sử dụng tập mục lớn mà có độ tin cậy lớn mincof [1] 3.2 Tính ứng dụng Luật kết hợp có ứng dụng nhiều lĩnh vực khác đời sống như: khoa học, hoạt động kinh doanh, tiếp thị, thương mại, phân tích thị trường chứng khoán, tài đầu tư, Ứng dụng luật kết hợp phải rõ đặc điểm về: nguồn gốc, điều kiện áp dụng, phạm vi ứng dụng, mục đích ứng dụng Những đặc điểm thể mô hình sau: Yêu cầu sử dụng Tham chiếu tập luật R Lựa chọn luật Ứng dụng Hình Mô hình ứng dụng luật Trong đó: - Yêu cầu sử dụng phạm vi tính ứng dụng tập luật ví dụ khoa học, kinh doanh, tiếp thị, thương mại, phân tích thi trường chứng khoán, v.v Tham chiếu đến tập luật R, giai đoạn tập luật tham chiếu tập luật sinh từ sở liệu chứa tác nhân yêu cầu sử dụng - Lựa chọn luật, bước tiến hành lọc luật hữu ích phục vụ cho phạm vi sử dụng - Ứng dụng, kết mong đợi từ bắt đầu khai thác thi hành luật Mô hình ứng dụng luật làm sáng tỏ tính ứng dụng việc khai thác luật kết hợp sở liệu Thực tế, ứng dụng khai thác luật kết hợp sở liệu giao dịch phạm trù DataMining nên ứng dụng rộng lớn, phát triển xã hội Tóm lại, tính ứng dụng khai thác luật kết hợp sở liệu giao dịch việc ứng dụng tập luật tìm thấy nhằm vào mục đích cụ thể đạt kết tốt Phát triển giải pháp hiệu tính ứng dụng Để phát triển giải pháp hiệu tính ứng dụng sở liệu giao dịch trước hết phải phát triển giải pháp hiệu khai thác luật kết hợp Thực vậy, ứng dụng có kết tốt luật khai thác có giá trị vận dụng thi hành mục đích 4.1 Phát triển giải pháp hiệu khai thác luật kết hợp a Bài toán luật kết hợp Cho tập giá trị I, sở liệu giao dịch D, ngưỡng độ hỗ trợ tối thiểu minsup, ngưỡng độ tin cậy mincof, tìm luật kết hợp dạng X Y D thoả mãn điều kiện Support(X Y) >= minsup Confidence(X Y) >= mincof b Tiến trình khai thác luật kết hợp Xác định tập mục lớn Việc xác định tập mục lớn gồm có hai bước sau đây: - Xác định tập ứng cử viên (Ck) - Xác định tập mục lớn (L) dựa vào tập ứng cử viên Để xác định tập ứng cử viên, ta thực bước sau đây: - Tìm tập ứng cử viên mục - Quét CSDL D để xác định độ hỗ trợ tập ứng cử viên Trong vòng đầu tiên, tập ứng cử viên tất mục có CSDL Tại vòng thứ k (k>1), tập ứng cử viên xác định dựa vào tập mục lớn xác định vòng k – 1, sử dụng hàm Apriori-gen() [2,3,7] Sau xác định tập ứng cử viên, thuật toán quét giao dịch CSDL để tính độ hỗ trợ tập ứng cử viên Quá trình xác định tập mục kết thúc không xác định thêm tập mục lớn Nội dung hàm Apriori-gen() Hàm Apriori-gen() thực hai bước [2]: - Bước đầu tiên, Lk – kết nối với thu Ck - Bước thứ hai, Apriori_gen() xoá tất tập mục từ kết kết nối mà có số tập (k – 1) Lk – Sau trả tập mục lớn kích thước k lại Sinh luật kết hợp từ tập mục lớn: Việc phát tập mục lớn tốn mặt tính toán Tuy nhiên, tìm tất tập mục lớn (l L), ta dễ dàng sinh luật kết hợp có bước sau: - Tìm tất tập không rỗng x, tập mục lớn l L - Với tập x tìm được, ta xuất luật dạng x (l - x) tỷ lệ Support(l)/Support(x)>= mincof ( %) - Thủ tục sinh tập Đầu vào: Tập mục lớn Lk Đầu ra: Tập luật thoả mãn điều kiện độ tin cậy >=mincof độ hỗ trợ >=minsup Phương pháp: Forall Lk, k>=2 Call Genrules(Lk, Lk); Procedure Genrules(Lk: large k-itemset, am: large m-itemset) A={(m-1)-itemset am-1| am-1 am} Forall am-1 A begin Conf = Support(Lk)/Support(am-1) If (Conf >= mincof) then begin Output the rule am-1(Lk – am-1) với confidence = mincof and support = support(Lk) If (m-1>1) then Call Genrules(Lk,am-1); End; End; c Giải pháp hiệu Trong phần trên, trình bày tiến trình để khai thác luật kết hợp CSDL, song vấn đề cần phải quan tâm nghiên cứu tăng hiệu thuật toán trường hợp: “ Số lượng tập ứng cử viên tìm thấy lớn” Trong phạm vi nghiên cứu này, đưa giải pháp để giải vấn đề nêu Tỉa ứng cử viên: Việc tỉa ứng cử viên nhằm mục đích bỏ tập ứng cử viên không cần thiết, rút gọn số lượng tập tập ứng cử viên Sau đây, trình bày kỹ thuật “tỉa” ứng cử viên không cần thiết Kỹ thuật có tinh chất: Các mục tập ứng cử viên xếp theo thứ tự Nội dung kỹ thuật: Forall itesets c Ck Forall (k – 1)–subsets s of c If (s Lk – 1) then Delete c from Ck Dựa vào đây, ta tỉa tập ứng cử viên, từ giới hạn miền tìm kiếm tất tập mục 4.2 Phát triển giải pháp hiệu tính ứng dụng Trong phần 4.1, trình bày tiến trình khai phá luật kết hợp giải pháp hiệu cho việc tạo luật kết hợp Tuy giảm số lượng lớn luật không mong muốn, song vấn đề nẩy sinh phải tiếp tục nghiên cứu nhằm tăng hiệu sử dụng kết khai thác là: Khi tồn tập luật dạng X Y có độ tin cậy (ck) tồn tập luật dạng Y X có độ tin cậy (ck+1) Như vậy, luật dạng Y X thường không cần thiết người sử dụng ngầm hiểu Cách thức vận dụng tập luật chưa rõ.[4,5,6] Trong phạm vi nghiên cứu này, đưa giải pháp để giải hai vấn đề nêu a Tỉa tập luật dạng Y X Việc tỉa tập luật dạng Y X nhằm mục đích bỏ luật giá tri người sử dụng biết trước luật đó, đồng thời rút gọn tập luật Kỹ thuật tỉa sử dụng độ tin cậy tập luật tìm thấy Kết khai thác sinh tập luật thường lưu trữ vào sở liệu Access, Excel, Paradox, v.v Kỹ thuật tỉa nhằm loại bỏ tập luật có độ tin cậy ck+1 < ck Nội dung kỹ thuật: Forall rulsets r Ri If ck < ck-1 then Delete r from Ri Căn vào đây, tỉa tập luật không mong muốn để giới hạn phạm vi tìm kiếm tập luật nhằm tăng tính ứng dụng cách nhanh chóng phạm vi ứng dụng khác b Tối ưu hoá tính ứng dụng tập luật Để tối ưu hoá tính ứng dụng tập luật (Ri), trình tự ứng dụng luật mô tả theo bước hình vẽ Nhận phân loại tập luật Xác nhận tính Vận dụng thi hành chất luật kết Hình Các bước ứng dụng luật Bước “Nhận phân loại tập luật” lấy kết trình khai thác luật kết hợp từ sở liệu giao dịch sau loại bỏ luật giá trị, đồng thời tiến hành phân loại luật theo chủ đề (luật mục, luật hai mục, ) lưu vào sở liệu Bước “Xác định tính chất luật”, sau phân loại luật ta tiến hành xác định tính chất luật Việc xác định làm rõ mục đích ứng dụng luật giao dịch Bước “Vận dụng thi hành kết quả” cho ta biết cách thức thi hành luật giao dịch để kết hợp mục thu kết tốt Bước này, nói lên ý nghĩa kết hợp mục giao dịch có tính quan trọng thực thi kế hoạch hoạt động Như vậy, mô hình bước ứng dụng luật góp phần không nhỏ sử dụng luật nhằm giảm thời gian tìm kiếm tăng khả thi hành luật Việc xác định tính chất luật có tính định hình thành kết hợp tập mục giao dịch Vì thế, khai thác luật kết hợp ứng dụng thành công sở liệu giao dịch Một giải pháp mô việc tinh lọc, xem xét đặc điểm luật phục vụ cho ứng dụng nghiên cứu phản ảnh hình Trong vòng lặp (k=n), tập luật xác định tính chất tập luật thứ n R (toàn tập luật) Nội dung xác định tập luật gồm: “tiền đề”, “kết luận”, “độ tin cậy”, “độ hỗ trợ” Tiếp theo kiểm tra tính chất luật Nếu luật kiểm tra thoả mãn chuẩn đề ghi nhận đặc tính sử dụng cho nó, ngược lại xoá luật ri khỏi R, lưu kết thực vòng lặp Giải pháp kết thúc kiểm tra xong toàn tập luật R (k=0) Ghi nhận tính chất ứng dụng bước quan trọng định tối ưu tính ứng dụng Vì thế, bước xây dựng “Chuẩn” đánh giá nghiêm ngặt Chuẩn dựa nguyên tắc riêng, định phạm vi ứng dụng luật Các hàm chuẩn tiến hành cài đặt thử nghiệm môi trường sở liệu giao dịch Bắt đầu k=n Sai k>0 Đúng Xác định tính chất luật toàn tập luật Xem xét tính chất Không TM Tỉa bỏ luật ri Thoả mãn(TM) Ghi nhận tính chất ứng dụng k=k-1 Kết thúc Hình Lưu đồ giải pháp mô xác nhận đặc điểm luật Kết giải pháp tăng tính ứng dụng luật sở liệu giao dịch Tập luật xác nhận đặc tính có tính ứng dụng linh hoạt, chủ động ứng dụng Như vậy, tính ứng dụng khai thác luật kết hợp sở liệu giao dịch đề cập đến phạm vi ứng dụng luật kết hợp giao dịch quan trọng Khai thác mối quan hệ mục phiên giao dịch hữu ích tiến hành khai thác cách có thứ tự, có mục đích rõ ràng Giải pháp góp phần rõ thông tin có phiên giao dich để từ giúp cho lãnh đạo có kế hoạch hoạt động, sản xuất kinh doanh năm Tính ứng dụng khai thác luật kết hợp sở liệu giao dịch giải tốt cách thức thi hành, ứng dụng thông tin quan trọng phiên giao dịch Dựa vào tính ứng dụng có giải pháp tốt kinh tế thị trường tương lai Ví dụ minh hoạ khai thác - Ứng dụng luật Thực tế, hệ thống thu ngân Siêu Thị Đà Nẵng sử dụng công nghệ mã vạch để toán cho khách hàng Dữ liệu giao dịch khách hàng lưu trữ phần mềm sở liệu máy tính đặt quầy thu ngân Hiện liệu trở nên nhiều qua phiên giao dịch, việc sử dụng DataMining để khai phá liệu có việc cần thiết cho hoạt động kinh doanh Siêu Thị Như vậy, nhiệm vụ khai thác liệu phải tìm mối liên hệ mặt hàng giao dịch Mối quan hệ có dạng X => Y, tri thức chiết xuất khai thác với độ hỗ trợ cho trước (minsupt), độ tin cậy cho trước (minconf) Các tri thức chiết xuất giúp cho hoạt động kinh doanh Siêu Thị tốt từ hoạch định kế hoạch sản xuất kinh doanh năm Bảng trình bày sở liệu giao dịch quầy thu ngân Siêu Thị Bảng Cơ sở liệu giao dịch Sau xác định tập mục lớn độ hỗ trợ, ta tiến hành sinh luật kết hợp cách sử dụng thủ tục sinh tập tập mục lớn Các luật kết hợp thu trường hợp bao gồm luật dạng Y X đề cập Bảng mô tả nội dung toàn tập luật khai thác sở liệu giao dịch với minsup =10% mincof =30% Các luật nói lên mối quan hệ mục phiên giao dịch, chưa đề cập đến tính ứng dụng Bảng sau trình bày nội dung tập luật thu trước tỉa Bảng Nội dung tập luật thu trước tỉa Như vậy, kết khai thác cho thấy luật thu có dạng Y X cách thức vận dụng luật chưa rõ Các tri thức chiết xuất dạng thường không cần thiết gây nên lãng phí không gian nhớ Ứng dụng giải pháp hiệu tính ứng dụng tỉa bỏ luật dạng Y X, kết thu luật dạng X Y thể bảng Các tri thức thu sau tỉa tri thức đáng tin cậy cho lãnh đạo Bảng Nội dung tập luật thu sau tỉa Thực vậy, số lượng luật thu giải pháp gồm luật có giá trị cao Đây tri thức chiết xuất trình khai thác Vấn đề đặt phải ứng dụng hiệu luật vào sản xuất kinh doanh sống dựa vào đặc điểm tính chất ứng dụng luật ứng với luật tập luật Để giải vấn đề ta sử dụng giải pháp tối ưu hoá tính ứng dụng luật Việc sử dụng hàm đánh giá để xem xét tiền đề, kết luật đạt tập luật, giai đoạn mang tính tư quan trọng ta ứng dụng thực tế Từ xác định đến ghi nhận tính ứng dụng cho luật trình tốn nhiều thời gian, song kết đạt hữu ích cho lãnh đạo hoạch định kế hoạch sản xuất, kinh doanh thời gian tới Tính ứng dụng tri thức chiết xuất giúp cho lãnh đạo Siêu Thi việc bố trí, xếp, kinh doanh mặt hàng quầy nào, tổ chức sếp quầy gần để có doanh thu phiên giao dịch lớn Ngoài ra, áp dụng tri thức để dự đoán số lượng mặt hàng bán chạy thời gian tới Tổng hợp tri thức lãnh đạo lên kế hoạch hoạt động, sản xuất, kinh doanh cách thuận tiên nhằm giảm bớt thời gian thống kê, tìm hiểu thị trường,v.v Như vậy, tính ứng dụng khai thác luật kết hợp sở liệu giao dịch giải hai vấn đề tồn đọng nêu phần Kết khai thác lưu trữ sở liệu tri thức để phục vụ cho mục đích xây dựng hệ chuyên gia sau Kết luận Nội dung nghiên cứu đề tài, tác giả đưa giải pháp từ việc thu gom liệu phiên giao dịch, thương trường, tiến hành khai thác xử lý chúng để chiết xuất tri thức cần thiết Các tri thức cần thiết lại tối ưu hoá đem vào sử dụng cách hiệu phiên giao dịch lần Đề tài sâu vào tính ứng dụng, đưa cách thức xử lý thi hành tri thức chiết xuất cách hiệu Nghiên cứu đưa cách nhìn tổng quan quy trình khai phá liệu từ nguồn liệu khác đến việc ứng dụng tri thức chiết xuất vào thực tế sống Một ví dụ minh hoạ ứng dụng làm rõ cách nhìn Nghiên cứu thiên tính ứng dụng sở liệu giao dịch, song việc nghiên cứu tiếp tục phát triển sở liệu khác nhằm mục đích tìm quy luật ứng dụng cho tri thức chiết xuất TÀI LIỆU THAM KHẢO http://www.cs.uh.edu/~ceick/6340/grue-assoc.pdf Rekesh Arawal, Ramakrishnan Srikant*; Fast Algorithms for Mining Association, IBM Almadem Research Center 650 Harry Road, San Jose, CA 95120 Rekesh Agrawal, Tomasz Imielinski, and Arun N.Swami; Mining Association Rules Between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, pp 207-216, Washington, D.C., May 1993 Ming-Syan Chen, Jiawei*, Philip S Yu; Data Mining: An Overview from Database Perspective; Elect Eng Department National Taiwan Univ IBM T.J Watson Res Ctr P.O.Box 704 Yorktown, NY 10598, U.S.A Anthony K.H Tung1, Hongjun Lu2, Jiawei Han1, Ling Feng3; Breaking the Barrier of Transactions: Mining Tnter-Transaction Association Rules; 1Simon Fraser University, BritishvColumbia, Canada {khtung, han}@cs.sfu.ca; 2The Honh Kong University of Science an Technology, Hong Kong, China, luhj@cs.ust.hk; 3The Hong Kong Polytectnic University, Hong Kong, China cslfeng@comp.polyu.edu.kh Karthich Rajamani, Alan Cox, Bala Iyer, Atul Chadla; Effcient Mining for Association Rules with Relational Database Systems; Dept of Elec And Comp Engg., Rice University, karthich@rice.edu; Dept of Computer Science, Rice University, alc@rice.edu; IBM Santa Teresa Labs balaiyer@us.ibm.com; IBM Santa Teresa Labs achadha@us.ibm.com Byung-Hoon Park and Hillol Kargupta; Distributed Data Mining: Algoriths, Sestems… – Department of Computer Science and Electrical Engineering Universty of Margland Baltimore County 1000 Hillol Cricle Baltimore, MD 21250 Data Mining Algorithms Journal, 2002 ... điểm luật Kết giải pháp tăng tính ứng dụng luật sở liệu giao dịch Tập luật xác nhận đặc tính có tính ứng dụng linh hoạt, chủ động ứng dụng Như vậy, tính ứng dụng khai thác luật kết hợp sở liệu giao. .. thi hành luật Mô hình ứng dụng luật làm sáng tỏ tính ứng dụng việc khai thác luật kết hợp sở liệu Thực tế, ứng dụng khai thác luật kết hợp sở liệu giao dịch phạm trù DataMining nên ứng dụng rộng... triển giải pháp hiệu tính ứng dụng sở liệu giao dịch trước hết phải phát triển giải pháp hiệu khai thác luật kết hợp Thực vậy, ứng dụng có kết tốt luật khai thác có giá trị vận dụng thi hành mục