Как работает алгоритм генерации ассоциативных цепочек в современных системах искусственного интеллекта?

Возможно, имелся в виду метод машинного обучения на базе правил — поиск ассоциативных правил. ru.wikipedia.org Его цель — обнаружить связи между переменными в большой базе данных и сгенерировать новые правила по мере анализа дополнительных данных. ru.wikipedia.org

Процесс генерации ассоциативных правил обычно включает два шага: ru.ruwiki.ru

1. Поиск частых наборов объектов в базе данных. ru.ruwiki.ru Для этого используется минимальный порог поддержки, который указывает соотношение частоты появления правила к общему числу транзакций в анализируемой выборке. www.mql5.com
2. Формирование правила. ru.ruwiki.ru К найденным наборам объектов применяется ограничение минимального доверия. ru.ruwiki.ru

Существует несколько алгоритмов для генерации ассоциативных правил, например:

• AprioriDP. ru.ruwiki.ru Использует динамическое программирование для анализа часто встречающихся наборов объектов. ru.ruwiki.ru
• CBPNARM. ru.ruwiki.ru Обнаруживает ассоциированные правила на базе контекста. ru.ruwiki.ru В основе алгоритма — контекстная переменная, на основе которой меняется значение поддержки набора объекта и на основе этого правила переносятся в множество правил. ru.ruwiki.ru
• FIN, PrePost и PPV. ru.ruwiki.ru Алгоритмы, основанные на множествах узлов. ru.ruwiki.ru Они используют узлы в кодировании FP-дерева для представления наборов объектов и поддерживают стратегию поиска в глубину для обнаружения часто встречающихся наборов объектов с помощью «пересечения» наборов узлов. ru.ruwiki.ru
• GUHA. ru.ruwiki.ru Общий метод анализа данных, который ищет общие ассоциативные правила, используя быстрые операции над битовыми строками. ru.ruwiki.ru