ارائه يك روش مبتني بر هستان شناسي براي كاوش قواعد هم آيي در محيط هاي توزيع‌شده چندعاملي

كاوش قواعد هم آيي توزيع‌شده يكي از روش هاي مهم داده‌كاوي است كه وابستگي بين اقلام داده‌اي را از منابع داده‌اي غيرمتمركز، بدون توجه به مكان فيزيكي آن‌ها و بر مبناي فرآيند استخراج اقلام مكرر استخراج مي‌كند. هنگامي كه الگوريتم هاي كاوش روي داده هاي بزرگ‌مقياس اجرا مي شوند، مقدار زيادي اقلام مكرر توليد مي گردد كه بسياري از آن‌ها غير مرتبط، مبهم و غير قابل استفاده براي كسب و كار است و سبب بروز چالشي به نام انفجار تركيبي خواهد شد. در اين مقاله يك روش ائتلافي جديد مبتني بر داده كاوي توزيع شده و هستان شناسي دامنه كه به‌اختصار DARMASO ناميده مي شود براي برخورد با اين چالش پيشنهاد شده است. اين روش از سه الگوريتم به نام  ARMASOMAIN  جهت هدايت و كنترل فرآيند كاوش و تجميع قواعد هم آيي، DARMASOPRU براي كاهش و هرس داده‌ها و الگوريتم DARMASOINT براي كاوش و تجميع قواعد هم آيي توليدشده از منابع داده اي توزيع‌شده استفاده مي كند. DARMASO از يك الگوي محاسباتي توزيع‌شده مبتني بر چارچوب نگاشتكاهش در محيط توزيع‌شده چندعاملي استفاده مي كند. همچنين يك روش عملي را براي كاوش معنايي از مجموعه داده هاي بزرگ‌مقياس فراهم مي كند. اين روش، قواعد هم آيي را مبتني بر اهداف داده كاوي و نياز كاربر فيلتر كرده و فقط قواعد مفيد را توليد و نگهداري مي كند.كاهش فضاي كاوش و فيلترسازي قواعد، با فرآيند هرس معنايي در قالب حذف نامزدهاي نامناسب از مجموعه اقلام مكرر و توليد قواعد هم آيي سودمند حاصل مي شود. پياده‌سازي با استفاده از يك مجموعه داده اي از دامنه حوادث طبيعي و كلاس زمين‌لرزه انجام شده است. نتايج ارزيابي با استفاده از معيارهاي كمي و كيفي نشان مي دهد، الگوريتم هاي ارائه‌شده در DARMASO ، فضاي كاوش را به ميزان قابل توجهي كاهش مي دهد. همچنين سرعت و كيفيتِ استخراج قواعد را بهبود بخشيده و قواعدِ كاربردي، مطمئن، منطقي، با كيفيت و ارزشمندي را براي پشتيباني از تصميم‌گيري از ميان انبوه داده ها توليد مي كند.