gb(0,0,0);font-style:normal;font-variaتکنیک قوانین وابستگی یکی از رایج ترین تکنیک های علم داده کاوی است که طی سالیان اخیر، کاربرد آن در حوزه های
مختلف علمی، بسیار مورد توجه قرار گرفته است. قوانین وابستگی، الگو های پنهان میان اقلام موجود در پایگاه داده های بزرگ را
شناسایی می کند. با وجود اینکه الگوریتم های زیادی جهت شناسایی قوانین وابستگی توسط محققان ارائه گردیده است اما
همچنان یک مشکل اساسی وجود داشته، و آن فقدان چارچوبی مناسب جهت استفاده مستمر و مداوم از این الگوریتم ها در طول
زمان است. در این مقاله جهت رفع مشکل مذکور، چارچوبی جهت استفاده مستمر از الگوریتم های قوانین وابستگی مطرح شده
است. در این مدل، در هر زمان، ابتدا پایگاه داده با افزایش تراکنش های جدیدتر و حذف تراکنش های قدیمی تر به روز شده و
سپس به تراکنش ها بر اساس میزان نزدیکی به زمان فعلی، وزن اختصاص می یابد. این کار به استفاده کنندگان از الگوریتم های
قوانین وابستگی کمک می کند تا همواره در هر زمان، قوانینی معتبرتر و مناسب تر بدست آورند. در راستای این امر، یک الگوریتم
شناسایی قوانین وابستگی از داده های کمی وزندار را توسعه داده و آن را در چارچوب یک مدل مستمر ارائه کرده ایم. در پایان،
مثالی جهت شرح چگونگی استفاده از این مدل برای شناسایی قوانین وابستگی از مقادیر کمی وزندار ارائه شده است
ارائه یک مدل مستمر جهت شناسایی قوانین وابستگی از داده های کمیِ وزن دار
