Learning Transaction Embedding From Multi-Level High Utility ItemSets

Le Van Nguyen

doi:10.1109/tkde.2026.3718935

Learning Transaction Embedding From Multi-Level High Utility ItemSets

2026-07-30

0

PRE

AI

Philippe Fournier‐Viger

B

Bay Vo

DOI：10.1109/tkde.2026.3718935

原文链接

原文求助

摘要

En 中文

交易数据挖掘是指分析交易中一起购买的商品集合的问题，这在客户行为分析、推荐和欺诈检测等应用中非常重要。由于交易通常被表示为离散商品的集合，没有显式的描述性特征，因此学习交易嵌入（即交易的连续向量表示）对于分类和聚类等下游任务至关重要。一些近期方法使用频繁项集或高效用项集结构来表示嵌入学习问题中的交易。然而，交易分类性能仍然有限，因为现有表示未能捕获交易中包含的所有语义信息。本文提出了两种基于多级高效用项集的新型交易嵌入模型，它们同时整合了效用信息和商品的层级结构。第一种模型采用分级别嵌入来独立学习每个级别的表示，而第二种模型使用整合级别嵌入来学习跨所有级别的统一表示。实验表明，所提出的两种模型在交易分类任务中优于近期非层级嵌入方法，表现出更高的稳定性，并有效利用了层级数据结构。

Keyword:

Transaction embedding

transaction representation

multi-level high utility itemsets

embedding models

hierarchical structure

Learning Transaction Embedding From Multi-Level High Utility ItemSets

摘要

期刊

机构