인간의 추론에 유리한 퍼지 유틸리티(Fuzzy utility, FU) 패턴 마이닝은 지식 발견 연구에서 주목할 만한 주제 중 하나가 되었다. 품목별 이윤을 포함한 실제 수치형 데이터베이스로부터 FU 패턴 마이닝을 통해 발견된 정보는 수치 값으로 표현되지 않고 자연어로 구성된 언어적 용어로 표현되기 때문에, 인간의 관점에서 데이터를 해석하는 데 적합하다. 이 분야의 최신 접근법들은 실제 상황에서 영향을 줄 수 있는 계절과 같은 시간적 요인을 고려함으로써 확장된 결과를 제공한다. 그러나 이러한 방법들은 후보 수를 생성하는 수준별(level-wise) 접근에 기반하므로 확장성 문제를 여전히 겪고 있다. 본 연구에서는 후보를 생성하지 않고 높은 시간적 FU 패턴을 마이닝하기 위한 새로운 데이터 구조를 포함하여, 확장 가능하고 효율적인 접근법을 제안한다. 제안된 접근법의 성능을 향상시키기 위해 효율적인 가지치기(pruning) 기법과 알고리즘을 제시한다. 실제 데이터와 합성 데이터 모두에 대한 성능 실험 결과, 제안된 알고리즘은 실행 시간, 메모리 사용량, 확장성 측면에서 기존의 최첨단 알고리즘보다 더 나은 성능을 보이는 것으로 나타났다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.