تُعَدّ عملية تعدين الأنماط (Pattern Mining) من الأدوات القيمة في تحليل البيانات الاستكشافية، لكن التحدي الأكبر يكمن في التعرف على الأنماط ذات الصلة لكل مستخدم على حدة. لقد تم تطوير مجموعة من مقاييس الاهتمام لتقييم الأنماط، ومع ذلك، قد لا تكون كفاءة هذه المقاييس كافية لتقدير وظائف المستخدم بشكل فعال.

في ورقتنا البحثية الجديدة، قدمنا حلاً يتجاوز هذه التحديات من خلال صياغة مشكلة تعليم وظائف تصنيف الأنماط كمشكلة اتخاذ قرارات متعددة المعايير. يعتمد نهجنا على استخدام عملية التحليل الإيجابي (Analytic Hierarchy Process - AHP) لاستخراج الأوزان لمختلف مقاييس الاهتمام بناءً على تفضيلات المستخدمين.

علاوة على ذلك، اقترحنا وضع تعلم نشط مع استخدام استراتيجيات حساسية لتقليل استفسارات تصنيف المستخدم، مع الاستمرار في تقديم نتائج عالية الجودة. أظهرت التجارب أن نهجنا يقلل بشكل ملحوظ من الوقت المستغرق أثناء التشغيل ويعود بتصنيفات دقيقة للأنماط، كما أنه يتمتع بالمرونة تجاه أخطاء المستخدم بالمقارنة مع الأساليب الرائدة الحالية.

ما رأيكم في هذه الابتكارات في مجال تحليل البيانات؟ شاركونا أفكاركم في التعليقات!