序列模式挖掘综述 数据挖掘课件.ppt

序 列 内容概要 序列是不同项集的有序排列。 定义1(序列)：I=｛i1i2…im｝是项集，ik（1=k=m）是一个项，序列S记为S＝s1s2…sn，其中sj（1=j=n）为项集（也称序列S的元素），即sj?I。每个元素由不同项组成。序列的元素可表示为（i1i2…ik），若一个序列只有一个项，则括号可以省略。 序列包含的所有项的个数称为序列的长度。长度为l 的序列记为l -序列。 子 序 列 定义2(子序列)：序列T＝ti1ti2…tim是另一个序列S＝s1s2…sn的子序列，满足下面条件：对于每一个j，1=j=m-1，有ijij+1 且 对于每一个j，1=j=m，存在1=k=n，使得tij?sk。即序列S包含序列T。用符号“?”表示“被包含于”，序列T是序列S的子序列可记为T?S。称T为S的子序列，S为T的超序列。 若一个序列S不包含在任何其他的序列之中，则称序列S是最大的。 定义3（支持度）：序列数据库D是元组sid，S的集合，sid为序列标识号，如果序列T是S的子序列（即T?S）称元组sid,S包含序列T；则序列T在序列数据库D中的支持度是数据库中包含T的元组数，即supportD(T)＝|{sid,S|sid,S?D?T?S }|记作support（T）。 定义4（频繁序列模式）：给定正整数?为支持度阈值，如果数据库中最少有?个元组包含序列S，即support（S）=?，则称序列S为序列数据库D中的一个（频繁）序列模式。 长度为l 的序列模式称为l –模式。 序列模式挖掘的任务就是找出数据库中所有的序列模式，即那些在序列集合中出现频率超过最小支持度（用户指定最小支持度阈值）的子序列。 AprioriAll算法 AprioriAll算法 AprioriAll算法 AprioriSome算法 AprioriSome算法 AprioriSome算法 AprioriSome算法 AprioriSome算法 类Apriori算法有以下缺点： 有可能生成庞大众多的候选序列。 多遍扫描数据库。 不易发生长度较大的序列模式。序列模式越长，所需要生成的序列就越多。 FreeSpan算法频繁模式投影的序列模式挖掘 Frequent pattern-projected Sequential pattern mining FreeSpan算法 F矩阵图 2 (1,1,0) (0,0,0) (1,1,0) (1,1,0) (2,2,2) 1 (1,1,1) (1,0,1) (1,1,2) (3,1,1) 1 (1,2,1) (2,2,0) (2,2,2) 2 (2,1,1) (3,2,0) 1 (4,3,0) 4 1b 2c 3a 4d 5e 6f 1b 2c 3a 4d 5e 6f F[j,j] 仅有一个计数值， F[j,k] 有三个计数值：（A,B,C） ijikikij （ikij） 序列 (bd)cb(ac) (bf)(ce)b(fg) (ah)(bf)abf (be)(ce)d a(bd)bcb(ade) FreeSpan算法 2.B.生成长度为2的序列模式 标记循环项模式和投影数据库； 循环项模式标记形如$αiγαjγ$，其中$…$表示两种形式…，｛…｝。 投影数据库标记形如$αiαj$：｛bp,…,bq｝，｛bp,…,bq｝表示在子序列挖掘过程中与$αiαj$合在一起生成长度更长的序列模式的频繁项集。 FreeSpan算法 Φ b b+ bb:4 b …… …… …… c …… …… …… a da: {bc} {cd}: {b} ｛b+ d ｝ d a+ bd:2, db:2, (bd):2 cd:2, dc:2, da:2 d (ce):{b} b+ e be:3,(ce):2 e Φ ｛b+ f+ ｝ bf:2,fb:2,(bf):2 f 投影数据库标记 循环项标记 长度为2的序列模式 项 FreeSpan算法 2.C.再次扫描数据库S，生成循环项模式和投影数据库； ｛b+ f+ ｝b+ e ｛b+ d ｝ d a+ b b+ {bbf:2,fbf:2,(bf)b:2,(bf)(bf):2, (bd)b:2,bba:2,aba:2,aba:2, abb:2,bcb:2,bbc:2} 四个投影数据库如下图： * * 报告人：熊 赟 基本概念 其他 类Apriori生成候选算法 相似性搜索