Résumé:
L‟extraction de motifs fréquents est une technique des techniques les plus importantes dans de
Data Mining, qui se repose sur un principe relativement simple. Elle consiste à découvrir des
motifs ou itemsets (ensemble d‟éléments) qui se répètent fréquemment dans un ensemble de
données. Il existe plusieurs méthodes exactes pour l‟extraction d‟itemsets fréquents.
Cependant ces solutions souffrent de problème de passage à l‟échelle, ce qui a incité les
chercheurs de ce domaine à introduire des méthodes approchées. Néanmoins, ces dernières
souffrent aussi de problème de qualité de solutions qui est pauvre.
Ce qui rend nécessaire de proposer des méthodes approchées plus efficaces. En effet, notre
travail consiste à proposer une méthode approchée efficace pour l‟extraction de motifs
fréquents à partir données tout en améliorent la qualité des solutions de cette dernière. Et cela
en utilisant la combinaison d‟une métaheuristique inspirée du comportement des loups gris
(Optimisation des Loups Gris, ou Grey Wolf Optimizer, GWO) et l‟apprentissage par
renforcement, qui ont eu beaucoup de succès dans une variété de domaines.
Deux algorithmes ont été proposés pour l‟extraction d‟itemsets fréquents, le premier se base
sur GWO et le deuxième se base sur une combinaison de l‟apprentissage par renforcement
avec GWO (appelés respectivement FIM-BGWO et FIM-QL-BGWO). Ces deux algorithmes
ont été testés sur plusieurs datasets réels et synthétiques. Les résultats obtenus montrent une
qualité de solution meilleure pour l‟algorithme FIM-QL-BGWO par rapport son homologue
FIM-BGWO tout en gardant un temps d‟exécution acceptable.
Mots clés : Extraction de Motifs Fréquents, Itemsets Fréquents, Optimisation des Loups Gris,
GWO, Apprentissage par Renforcement, Q-Learning.
