Evaluación de Reglas de Asociación en Text Mining Utilizando ...

a
d
c
Figura 13: Lattice Conceptual
Esta estructura conceptual representa relaciones de generalización/especialización
entre sus elementos. Por ejemplo, el nodo c es más general que el nodo a, es decir a c, lo
que implica que cada instancia de a también es instancia de c. Los elementos que no posean
vértices entre sí no poseen ningún tipo de relación de dependencia entre sí, tal es el caso de los
nodos b con e.
En este enfoque, la generación de los conjuntos cerrados frecuentes se realiza por
medio del algoritmo Aclose [29,30], el cual recibe como entrada los features encontrados en
el corpus de textos. Para generar las reglas se utilizó el algoritmo de generación de reglas de
asociación informativas presentado por Toussaint et al. [6, 7, 20]. Este algoritmo se utiliza
para eliminar redundancia en las reglas de asociación.
Se dice que una regla de asociación R: A B es informativa ssi no existe otra regla
R’: A’ B’ tal que:
support(R) = support(R’)
confidence (R) = confidence(R’)
A A’ y B B’
b
El algoritmo de generación de reglas de asociación informativas se aplica una vez que
se han obtenido los conjuntos cerrados frecuentes. Las reglas generadas son del tipo A B/ A.
Estas se obtienen eliminando del conjunto cerrado frecuente B los términos que se encuentran
en A. La estructura general del algoritmo para generar reglas de asociación informativas es la
siguiente:
Entrada:
K: conjunto de tríos (G: conjunto generador, support, FG: Conjunto cerrado)
resultantes de la ejecución de Aclose.
Salida:
RA: conjunto de reglas de asociación descubiertas.
Por cada Conjunto generador G K hacer
Encontrar conjuntos cerrados candidatos CG = {FG / G FG};
Ordenar el conjunto CG por cardinalidad creciente;
Por cada conjunto cerrado FG CG hacer
si confidence (r: G FG /G ) ≥ minconfidence entonces
agregar regla r a RA
38
e