Αλγόριθμοι συσχέτισης (association rule mining): εφαρμογή σε marketing

Abstract

This doctoral dissertation investigates the evolution of association rule mining, with particular emphasis on its applications in modern marketing and decision support. Its principal contribution is the introduction of Association Rules in Succession (ARIS), a novel framework that exploits not only the frequency of pattern occurrence but also the proximity and ordering of transactions. The dissertation introduces new measures, namely succession-based support and succession-based confidence, and proposes extensions of the Apriori and FP-Growth algorithms for the efficient mining of patterns under proximity constraints.Furthermore, the dissertation extends the ARIS framework to the discovery of discriminative itemsets across multiple ordered datasets. The proposed methodology is evaluated using both synthetic and real-world datasets and is applied to domains such as digital marketing, recommender systems, shareholder network analysis, and biomedicine. The experimental results demonstrate that exploiting the ordering of transactions reveals valuable patterns that cannot be identified by conventional approaches relying solely on occurrence frequency.

Η διδακτορική διατριβή πραγματεύεται την εξέλιξη της εξόρυξης κανόνων συσχέτισης, με έμφαση στις εφαρμογές της στο σύγχρονο μάρκετινγκ και στην υποστήριξη λήψης αποφάσεων. Κεντρική συνεισφορά αποτελεί η εισαγωγή των Κανόνων Συσχέτισης σε Διαδοχή (Association Rules in Succession – ARIS), ενός νέου πλαισίου που αξιοποιεί όχι μόνο τη συχνότητα εμφάνισης των προτύπων αλλά και την εγγύτητα και τη σειρά των συναλλαγών. Προτείνονται νέα μέτρα, όπως η υποστήριξη και η εμπιστοσύνη σε διαδοχή, καθώς και επεκτάσεις των αλγορίθμων Apriori και FP-Growth για την αποδοτική εξόρυξη προτύπων υπό περιορισμούς εγγύτητας.Η διατριβή επεκτείνει επίσης το πλαίσιο ARIS στην ανακάλυψη διακριτικών συνόλων αντικειμένων σε πολλαπλά διατεταγμένα σύνολα δεδομένων. Η προτεινόμενη μεθοδολογία αξιολογείται σε συνθετικά και πραγματικά σύνολα δεδομένων και εφαρμόζεται σε πεδία όπως το ψηφιακό μάρκετινγκ, τα συστήματα συστάσεων, η ανάλυση δικτύων μετόχων και η βιοϊατρική. Τα αποτελέσματα καταδεικνύουν ότι η αξιοποίηση της διάταξης των συναλλαγών αποκαλύπτει χρήσιμα πρότυπα τα οποία δεν εντοπίζονται από τις κλασικές προσεγγίσεις που βασίζονται αποκλειστικά στη συχνότητα εμφάνισης.