2010/10/15 論文研討演講 心得報告

課程：論文研討（一）
日期：99年10月15日
時間：14:00～16:00
地點：S414
作者：顧家源

　　本次演講題目是「Discovering RFM Sequential Pattern From Customers’ Purchasing Data」，主講人為中央大學資管系的陳彥良教授。從題目就可以很清楚知道，這次的主題是圍繞在Data Mining領域中很重要的一塊－Sequential Pattern之中，我們知道Sequential Pattern常應用在有會員制的大賣場，因為要記錄同一個顧客在不同次交易中購買了那些商品，由其中某些商品和其他商品的順序關聯性中找到規則，來猜測如果今天某位顧客買了商品Ａ之後，改天他可能會來買商品Ｂ。與Data Mining中另一個同樣重要的Association Rule相比，關聯規則只看同一筆交易中那些商品常常一起被購買，而不去關心同一位顧客在之後又買了甚麼。

　　而這次的題目算是Sequential Pattern的一個變形，傳統的Sequential Pattern只考慮某一組有順序關係的Item是不是常常出現(Frequent)，而RFM Sequential Patten則多考慮了Recency與Monetary兩點，前者是檢查顧客最近的交易有沒有出現這些商品，後者則是去計算購買這些商品所花的金額；除此之外，三個參數除了下界以外還訂了上界，藉以關注在我們想找的範圍內。

　　而其演算法也不會說很難懂，大抵流程跟普通的Apriori差不多，採two-step的方式進行，先找出長度為1的Candidate，稱為CI₁，根據RF兩個條件去篩選，得到長度為1的Frequent Patten，稱為LI₁，然後再藉由LI₁的item進行排列組合，得到CI₂，依此類推，直到無法找到更長的Frequent Pattern為止；之後，再根據設定的M再進行一次篩選，即可得到想要的Pattern；且由於限制條件比較多，反過來說要處理的Searching Space就會更小，執行速度上自然也較原本的Sequential Pattern的演算法更快。

　　除了RFM Sequential Pattern外，陳教授還快速的介紹了幾個同樣是解Sequential Pattern的演算法，每個都有各自不同的新條件：Time-interval SP中，除了關心每個關聯Itemset出現的序列，還要考慮兩兩之間間隔了多久時間，讓我們不只可以預測下一個是甚麼，還可以預測在多久以內會發生；Interval Temporal Patterns則是將每個Item定義成可以持續一段時間，包括其開始與結束，並找出各關聯Item間開始與結束的順序性關係；Hybrid TP則是前者的一種變體，某些Item可以是有持續時間的，也有些是瞬間的事件。

　　聽了這麼多東西，除了了解演算法以外，我想這個演講更重要的目的是讓我們了解甚麼是做研究，做研究的方法與目的又是甚麼；像演講中就有提到一點，有時候有些研究在題目與條件的範圍訂定上，脫離了現實社會中可能應用的層次，這就是一種為了研究而研究，雖然也不能否定其價值，不過這個研究也未必能對社會造成重大的影響或改變。這點對在研究領域涉獵未深的我們，實在是有不小的幫助。

提問：RFM Sequential Patterns的演算法中，R的條件只考慮到一組Itemset中最近一筆出現的時間，是否會遇到Item之間間隔很久的問題？

回答：的確在此演算法中並未處理此部分，可以是個拿來考慮的問題，也可以以此方向為發展進行研究。