Inkrementelles Multirelationales Lernen

Unternehmen verwenden Data Mining Methoden, u.a. um das Kaufverhalten ihrer Kunden zu analysieren und daraus Kundenprofile und Zu/Abneigungen für Produkte abzuleiten. Primär werden sogenannte Transaktionsdaten analysiert, also die Käufe, die jeder Kunde tätigt. Für Data Mining ist das eine inzwischen klassische Aufgabe, die mit gängigen Methoden bewältigt werden kann. Die Information, die für die Ableitung von zuverlässigen Kundenprofilen benötigt ist, beschränkt sich jedoch nicht auf Transaktionsdaten. Die Eigenschaften der Produkte und der Produktkategorien sollen mit einbezogen werden, ebenso wie die demographischen Eigenschaften der Kunden. Die Berücksichtigung dieser Informationen, die in mehreren Tabellen (sogenannten Relationen) einer Datenbank vorliegen, führt zu einer komplexeren Aufgabenstellung im Gebiet des multirelationalen Lernens. Die Transaktionsdaten sind jedoch nicht statisch. Vielmehr formen sie einen Strom, der in die Datenbank eines Unternehmens einfliesst und nur temporär für Data Mining zur Verfügung steht. Es ist weder praktisch noch sinnvoll, alle derart akkummulierte Daten bei der Datenanalyse zu berücksichtigen. Unpraktisch ist dies wegen des unbegrenzten Speicherbedarfs und des erhöhten Analyseaufwands. Nicht sinnvoll ist dies, weil veraltete Daten, z.B. über nicht mehr angebotene Produkte, die Ergebnisse der Datenanalyse verzerren können. Zudem soll die Einführung von neuen Produkten und Marketing-Maßnahmen zur Anpassung der Modelle führen. Während gängige Methoden für die Analyse von Stromdaten einer Tabelle existieren, ist die Analyse von multirelationalen Datenströmen ein neues Forschungsgebiet. In diesem Projekt werden Methoden für die Analyse von multirelationalen Datenströmen konzipiert und entworfen, inklusive Methoden, welche die zu analysierenden Daten mit minimalen Informationsverlust bereitstellen.