Parallel association rule mining on semantic and big IoT data

Abstract

Birliktelik Kuralı Madenciliği (ARM) önemli bir makine öğrenme tekniğidir çünkü büyük veri kümelerindeki veri ögeleri arasında ilişkileri bulabilir. Farklı birliktelik kuralı algoritmaları, tüm ögelerin `satın alma` gibi benzersiz bir ilişkiye sahip olduğu geleneksel işlem veri kümelerinde birçok araştırmacı tarafından incelenmiştir. Son yıllarda araştırmacılar, geleneksel veriler yerine, anlamsal çizgelerden (RDF veri kümeleri gibi) birliktelik kurallarının çıkarılmasına artan bir ilgi göstermektedirler. Öte yandan, Nesnelerin İnterneti (IoT) alanında ve birçok farklı alanda, semantik veriler günlük olarak büyük miktarlarda artmaktadır. Bu nedenle, akıllı çözümler için IoT verilerini kullanmak üzere ölçeklenebilir çözümlere ihtiyacımız var. Bu tez çalışmasında, hava durumu, trafik ve tıp gibi farklı alanlardan birçok farklı sematik IoT veri kümesinde paralelleştirilmiş FP-büyüme algoritmasının kullanımını inceledik. Sonuçlar, semantik ARM algoritmalarının ölçeklenebilir uygulamasının semantik birliktelik kurallarını çok daha hızlı bulduğunu göstermektedir.Anahtar kelimeler: Birliktelik kuralı madenciliği, ölçeklenebilir birliktelik kuralı madenciliği, semantik veri, RDF, IoT, makina öğrenmesi, MapReduce.

Association Rule Mining (ARM) is an important machine learning technique because it can find associations or relationships between data items in large datasets. Different association rule algorithms have been studied by many researchers in traditional transactional data sets in which, all items have a unique relationship such as, 'buy'. In recent years, researchers have shown an increased interest in extracting association rules from semantic graphs (such as RDF datasets) instead of traditional data. On the other hand, in the field of the Internet of Things (IoT) and in many different domains, semantic data is daily increasing in large volumes. Therefore, we need scalable solutions to utilize IoT data for intelligent solutions. In this thesis, we studied the utilization of parallelized FP-growth algorithm on several different sematic IoT datasets from different domains, such as weather, traffic, and medicine. The results show that the scalable execution of semantic ARM algorithms produces the semantic association rules much faster.Keywords: Association rule mining, Scalable association rule mining, Semantic data, RDF, IoT, Machine learning, MapReduce.