Học quy tắc liên kết là một kỹ thuật học không giám sát (unsupervised learning) kiểm tra sự phụ thuộc của một phần tử dữ liệu vào phần tử khác và ánh xạ tương ứng để tăng hiệu quả chi phí. Nó cố gắng khám phá các mối quan hệ hoặc liên kết thú vị giữa các biến trong tập dữ liệu. Phương pháp này dựa trên nhiều quy tắc để tìm ra các mối quan hệ thú vị giữa các biến trong cơ sở dữ liệu.
Học quy tắc liên kết là phương pháp quan trọng nhất của học máy (machine learning), được ứng dụng trong Phân tích giỏ hàng (Market Basket Analysis), Khai thác sử dụng web (Web Usage Mining), sản xuất liên tục, v.v. Trong phân tích giỏ hàng, đây là phương pháp các nhà bán lẻ lớn dùng để tìm mối quan hệ giữa các mặt hàng.
Khai thác web có thể xem là ứng dụng các phương pháp khai thác dữ liệu thích ứng cho internet, trong khi khai thác dữ liệu được định nghĩa là áp dụng thuật toán để khám phá mẫu trên dữ liệu có cấu trúc chủ yếu, cố định trong quy trình khám phá tri thức.
Khai thác web có đặc tính hỗ trợ tập hợp nhiều loại dữ liệu. Web có nhiều khía cạnh tạo ra nhiều cách tiếp cận cho quá trình khai thác, như trang web bao gồm văn bản, các trang web liên kết qua siêu liên kết (hyperlink), và hoạt động người dùng có thể giám sát qua nhật ký máy chủ web (web server logs).
Trong phân tích giỏ hàng, thói quen mua sắm của khách hàng được phân tích bằng cách tìm liên kết giữa các mặt hàng khác nhau mà khách đặt vào giỏ hàng. Bằng cách khám phá các liên kết này, nhà bán lẻ xây dựng chiến lược marketing bằng cách phân tích các mặt hàng thường được mua cùng nhau. Liên kết này có thể tăng doanh thu bằng cách hỗ trợ marketing chọn lọc và lên kế hoạch không gian kệ.
Các loại Học quy tắc liên kết
Có các loại học quy tắc liên kết sau:
Thuật toán Apriori – Thuật toán này cần các tập dữ liệu thường xuyên để tạo quy tắc liên kết. Được thiết kế cho cơ sở dữ liệu chứa giao dịch. Sử dụng tìm kiếm theo chiều rộng (breadth-first search) và cây băm (hash tree) để tính toán tập mục hiệu quả. Thường dùng cho phân tích giỏ hàng và hỗ trợ học các sản phẩm có thể mua cùng nhau. Cũng áp dụng trong y tế để phát hiện phản ứng thuốc cho bệnh nhân.
Thuật toán Eclat – Eclat là viết tắt của Equivalence Class Transformation. Sử dụng phương pháp tìm kiếm theo chiều sâu (depth-first search) để khám phá tập mục thường xuyên trong cơ sở dữ liệu giao dịch. Thực thi nhanh hơn thuật toán Apriori.
Thuật toán F-P Growth – F-P Growth là viết tắt của Frequent Pattern. Đây là phiên bản cải tiến của thuật toán Apriori. Mô tả cơ sở dữ liệu dưới dạng cấu trúc cây gọi là cây mẫu thường xuyên (frequent pattern tree). Cây này nhằm trích xuất các mẫu thường xuyên nhất.