다계층 퍼지 연관 규칙 마이닝 모델

초록

본 논문은 데이터베이스의 다계층 구조와 데이터 내 불확실성을 동시에 고려한 퍼지 연관 규칙 마이닝 모델을 제안한다. 상위 수준에서 하위 수준으로 점진적으로 탐색하는 Top‑Down Progressive Deepening 방식을 채택하고, 각 계층마다 서로 다른 최소 지지도(support)를 적용한다. 퍼지 경계(Fuzzy Boundary)를 도입해 전통적인 이진 구분 대신 연속적인 멤버십 함수를 사용함으로써 규칙의 표현력을 높인다. 논문은 간단한 예시를 통해 제안 알고리즘이 다중 수준에서 다양한 지지도 조건 하에 효과적으로 연관 규칙을 도출할 수 있음을 시연한다.

상세 요약

다계층 연관 규칙 마이닝은 전통적인 1‑Level Apriori와 달리 아이템이 계층적 분류 체계(예: 카테고리‑서브카테고리‑상품) 내에 존재한다는 전제를 갖는다. 이 경우 각 레벨마다 별도의 최소 지지도 임계값을 설정해야 하는데, 이는 상위 레벨에서는 낮은 지지도를 허용하고, 하위 레벨에서는 더 엄격한 기준을 적용함으로써 의미 있는 규칙을 추출하려는 의도와 일치한다. 그러나 기존 연구들은 대부분 ‘sharp boundary’를 전제로 하여 아이템이 특정 구간에 완전히 포함되는지 여부만을 판단한다. 실제 상거래 데이터나 센서 데이터는 측정 오차, 인간의 주관적 판단 등으로 인해 경계가 모호한 경우가 빈번하다. 이러한 불확실성을 반영하기 위해 퍼지 집합 이론을 도입하면, 아이템이 특정 구간에 속할 확률을 멤버십 함수(예: 삼각형, 가우시안)로 표현할 수 있다.

논문이 제안하는 핵심 알고리즘은 “Top‑Down Progressive Deepening”(TD‑PD) 방식이다. 먼저 최상위 레벨에서 후보 큰 아이템셋을 생성하고, 각 후보에 대해 퍼지 지지도(Fuzzy Support)를 계산한다. 퍼지 지지도는 전통적인 지지도의 확장 형태로, 각 트랜잭션이 후보 아이템셋에 기여하는 정도를 멤버십 값의 곱으로 정의한다. 최소 지지도 기준을 만족하면 해당 후보는 ‘large itemset’으로 인정되고, 하위 레벨로 내려가면서 아이템을 세분화한다. 이때 하위 레벨의 최소 지지도는 상위 레벨보다 일반적으로 높게 설정된다.

TD‑PD 방식의 장점은 두 가지이다. 첫째, 탐색 공간을 단계별로 제한함으로써 연산량을 크게 절감한다. 전통적인 Apriori는 모든 레벨에서 후보를 독립적으로 생성하지만, TD‑PD는 상위 레벨에서 이미 ‘large’임이 확인된 후보만을 하위 레벨로 확장한다. 둘째, 퍼지 경계를 사용함으로써 경계값에 민감한 ‘borderline’ 트랜잭션을 자연스럽게 포함시켜 규칙의 포괄성을 높인다.

알고리즘의 복잡도는 최악의 경우 여전히 O(N·2^k) 수준이지만, 실제 데이터에서는 상위 레벨에서 후보가 급격히 감소하므로 실용적인 실행 시간이 보장된다. 또한, 멤버십 함수 선택에 따라 계산 비용이 달라질 수 있다. 삼각형 함수는 계산이 간단하지만, 가우시안 함수는 보다 부드러운 경계를 제공하지만 연산량이 증가한다.

제안 모델의 한계점도 존재한다. 퍼지 멤버십 함수를 정의하기 위한 파라미터(예: 평균, 표준편차)를 어떻게 설정하느냐에 따라 결과가 크게 달라질 수 있다. 현재 논문에서는 도메인 전문가의 주관적 판단에 의존하고 있으나, 자동 파라미터 튜닝 기법이 필요하다. 또한, 다계층 구조가 깊어질수록 하위 레벨에서 발생하는 후보 아이템셋의 수가 급증할 가능성이 있어, 추가적인 가지치기 전략이 요구된다.

전반적으로 이 논문은 다계층 연관 규칙 마이닝에 퍼지 이론을 성공적으로 통합함으로써, 기존의 ‘hard’ 구간 기반 접근법이 놓치기 쉬운 미묘한 패턴을 포착한다는 점에서 학술적·실무적 의의가 크다.