AOI（属性指向帰納）とは？データマイニングにおける概念記述手法の基本と手順

AOI（Attribute-Oriented Induction）とは

AOIは「属性指向帰納（Attribute-Oriented Induction）」の略称で、概念記述（コンセプト記述）のためのデータマイニング手法の一つです。このアプローチは1989年に初めて提案され、データキューブ方式の登場より数年前のことでした。

データキューブ方式は本質的に、データウェアハウス内で事前計算された実体化ビュー（マテリアライズドビュー）に基づいており、一般的にはOLAPやデータマイニングクエリが処理に投入される前に、オフラインでの集約を行います。

これに対して属性指向帰納は、クエリ指向・一般化ベースのオンラインデータ分析手法として位置づけられています。

属性指向帰納の基本的な考え方

属性指向帰納の基本的な流れは以下の通りです。まずデータベースクエリを使ってタスクに関連するデータを収集し、次にそのデータ集合内の各属性が持つ相異なる値の数を調べた結果に基づいて、一般化を実行します。

一般化は属性の削除または属性の一般化によって実装されます。また、集約は、同じように一般化されたタプルを統合し、それぞれの出現件数（カウント）を累積することで行われます。これにより、一般化後のデータセットのサイズを縮小できます。

最終的に得られた一般化結果は、チャートやルールなど複数の形式へ変換され、ユーザーに提示されます。

属性指向帰納の処理手順

1. データフォーカシング（対象データの絞り込み）

属性指向帰納を実行する前に、まず「データフォーカシング」を行う必要があります。これはタスクに関連するレコード（分析対象データ）を特定するステップであり、データマイニングクエリで指定された内容に基づいてデータを収集します。

データマイニングクエリは通常、データベースのごく一部にしか関与しないため、関連するデータ集合を選び出すことで、マイニングの効率が向上するだけでなく、データベース全体を対象にする場合よりも有意義な結果が得られやすくなります。

2. 関連属性の指定における課題

マイニング対象となる関連属性の集合（DMQLでは「in relevance to」句で指定）を、ユーザー自身が決定するのは難しい場合があります。重要と思われる一部の属性だけを選んだ結果、表現に実際には役立つ他の属性を見落としてしまう可能性があるためです。

例えば、「出生地」というディメンションが「都市」「州／省」「国」という属性で定義されている場合を考えてみましょう。出生地ディメンション上で一般化を行うには、このディメンションを構成する他の属性も含めて扱う必要があります。

言い換えれば、システムが「州／省」や「国」を自動的に関連属性として取り込むことで、帰納（インダクション）の段階で「都市」という情報を、より上位の概念的レベルへ一般化できるようになります。

3. 属性を指定しすぎた場合の対処法

逆に、ユーザーが「in relevance to *」のように指定可能なすべての属性を取り込んでしまい、過剰な数の属性を対象にしてしまうケースもあります。この場合、FROM句で指定されたリレーションのすべての属性が分析対象となります。

しかし、その中には興味深い表現の生成に寄与しない属性も含まれる可能性があります。そこで、相関ベースまたはエントロピーベースの分析手法を用いて属性関連性分析を実行し、統計的に無関係あるいは関連性の弱い属性を記述的マイニングの対象から除外することが有効です。

まとめ

AOI（属性指向帰納）は、関連データの収集から属性の一般化・集約までを体系的に行うことで、大量データから簡潔で理解しやすい概念記述を導き出す手法です。適切なデータフォーカシングと属性選択、そして不要属性のフィルタリングを行うことで、より有意義で質の高い分析結果を得ることができます。