重復(fù)正負(fù)序列模式挖掘關(guān)鍵技術(shù)的研究.pdf

1、序列模式挖掘技術(shù)研究作為數(shù)據(jù)挖掘與知識發(fā)現(xiàn)領(lǐng)域的重要分支，它的目的是發(fā)現(xiàn)有趣的序列事件，為理論或?qū)嶋H應(yīng)用提供數(shù)據(jù)支持。不同于傳統(tǒng)序列模式挖掘思路，負(fù)序列模式提供了一種序列模式分析的新角度，它不僅涵蓋了已經(jīng)存在或發(fā)生的事件（行為），還將未發(fā)生的事件（行為）考慮在內(nèi)。這些未發(fā)生的事件的性質(zhì)為本應(yīng)發(fā)生的，但因為某些原因而被隱藏，因此往往容易被人們忽略而導(dǎo)致錯失了重要信息。近年來人們愈發(fā)認(rèn)可負(fù)序列模式的價值，并在諸多實際領(lǐng)域中應(yīng)用了負(fù)序列模式來

2、提取有效信息，例如在消費行為分析，疾病診療和健康保險領(lǐng)域均提供了強(qiáng)有力的數(shù)據(jù)支持。然而，目前所有的負(fù)序列模式挖掘技術(shù)都沒有將重復(fù)模式考慮在內(nèi)，即它們只考慮了子序列在數(shù)據(jù)序列間出現(xiàn)的情況，而忽略掉了子序列在同一數(shù)據(jù)序列重復(fù)出現(xiàn)的情況。如果一條負(fù)子序列在一條數(shù)據(jù)序列中重復(fù)出現(xiàn)，意味著這條負(fù)子序列會擁有更高的支持度，從而引起人們的興趣，但若是不考慮重復(fù)模式，這樣一條擁有高重復(fù)性質(zhì)的負(fù)序列就很有可能不被發(fā)現(xiàn)，導(dǎo)致有效信息的遺漏。因此，本文在重復(fù)

3、序列模式挖掘方向做了系統(tǒng)的研究，探索了如何高效的發(fā)現(xiàn)重復(fù)正序列模式和重復(fù)負(fù)序列模式，并針對其中的關(guān)鍵問題進(jìn)行了深入探討。此外，本文研究了現(xiàn)有的負(fù)序列模式挖掘算法存在的問題，并提出了一種更快速的負(fù)序列模式挖掘方法和一種可以從非頻繁序列中挖掘頻繁負(fù)序列的方法。具體內(nèi)容如下：
　　1、重復(fù)正序列模式挖掘方法。
　　本文基于經(jīng)典的GSP正序列挖掘算法提出了一種新的重復(fù)正序列模式挖掘算法RptGSP，并且對重復(fù)正序列進(jìn)行了非重疊定義。

4、RptGSP算法不僅考慮了傳統(tǒng)支持度的計算方式，并且考慮了正子序列在每條數(shù)據(jù)序列內(nèi)部的重復(fù)次數(shù)，從而進(jìn)一步獲得更多有趣有效的序列信息，為數(shù)據(jù)分析提供更好的支持。
　　2、重復(fù)負(fù)序列模式挖掘方法。
　　目前所有負(fù)序列模式挖掘算法均未考慮序列的重復(fù)模式，因此我們首先對重復(fù)負(fù)序列模式進(jìn)行了定義，并提出了一種不需要重復(fù)掃描數(shù)據(jù)庫的高效重復(fù)負(fù)序列模式挖掘算法e-RNSP。該方法首先基于RptGSP算法發(fā)現(xiàn)的重復(fù)正序列來生成重復(fù)負(fù)候選序

5、列，之后應(yīng)用公式可以高效的計算負(fù)候選的重復(fù)支持度，從而避免了重復(fù)掃描序列數(shù)據(jù)庫。實驗結(jié)果表明e-RNSP可以高效的發(fā)現(xiàn)具有高重復(fù)性的負(fù)序列模式。
　　3、快速負(fù)序列模式挖掘方法。
　　針對負(fù)序列模式挖掘算法e-NSP的不足，本文提出了一種更加快速地挖掘負(fù)序列模式的方法f-NSP。F-NSP使用了位圖結(jié)構(gòu)體替代了e-NSP算法中原有的數(shù)組結(jié)構(gòu)體，該結(jié)構(gòu)體用于表示每一條候選負(fù)序列被數(shù)據(jù)庫序列的包含關(guān)系，從而可以應(yīng)用高效的位運算來

6、計算負(fù)候選序列的支持度，進(jìn)一步提高挖掘負(fù)序列模式的效率。由于使用位圖可能在支持度極低的情況下造成數(shù)據(jù)空間比e-NSP消耗多的情況，本文又提出了一種自適應(yīng)數(shù)據(jù)存儲策略來解決上述問題，并將其應(yīng)用在算法f-NSP+中。實驗證明，在大多數(shù)情況下，f-NSP比e-NSP的效率高出幾倍到十幾倍，最好的情況下可以比e-NSP快上百倍，但是在有些情況下，例如數(shù)據(jù)庫所有頻繁模式支持度極低的情況下，e-NSP仍然具有它的優(yōu)勢。
　　4、非頻繁正序列中