ياگيري توابع عضويت براي كاوش قوانين انجمني فازي با استفاده از اتوماتاي يادگير

تراكنش ها در مجموعه داده‌هاي وب اغلب از داده هاي كمّي تشكيل شده‌‌، كه نشان مي‌دهد تئوري مجموعه‌هاي فازي مي‌تواند براي نشان دادن چنين داده هايي استفاده شود. مدت زمان صفحات وب كه توسط كاربران ملاقات مي‌شود‌، يكي از انوع داده ذخيره شده درلاگ هاي وب است كه ميتواند به عنوان يك عامل مهم براي تحليل رفتار حركتي كاربران استفاده شود. هرچند، در تمامي كارهاي انجام شده براي كاوش قوانين انجمني از داده هاي مورد استفاده از وب تعداد و پارامترهاي توابع عضويت در نظر گرفته شده براي پارامتر زمان، در تمام صفحات وب ثابت فرض شده است. اين در حالي است كه تعداد و پارامترهاي توابع عضويت مورد استفاده براي هر صفحه وب با ساير صفحات وب متفاوت است. بنابراين براي حل اين چالش در اين مقاله‌، يك روش بهينه سازي يادگيري تقويتي مبتني بر اتوماتاي يادگير با نام LAOMF براي استخراج خودكار هر دوي تعداد و پارامترهاي توابع عضويت ذوزنقه‌اي براي استخراج قوانين انجمني فازي از داده‌هاي وب ارائه شده است. همچنين براي افزايش سرعت همگرايي روش پيشنهادي و حذف توابع عضويت نامناسب هيوريستيك جديدي ارائه شد. كارايي روش پيشنهادي مورد ارزيابي قرار گرفت و نتايج با نتايج به دست آمده با استفاده از روش كاوش فازي وب در يك مجموعه داده واقعي مقايسه شد. آزمايشات بر روي مجموعه داده با اندازه هاي مختلف تأييد كرد كه روش پيشنهادي LAOMFبا استخراج توابع عضويت بهينه ميانگين كارايي تابع هدف و پشتيبان فازي را در مقايسه با توابع عضويت يكنواخت به ترتيب 39% و 61% افزايش مي دهد.