用闭合序列模式实现特征子串的发现研究.docxVIP

文章 编 号：1007-1423（2015）18-0020-04DOI：10.3969/j.issn.1007-1423.2015.18.005用闭合序列模式实现特征子串的发现研究杜翠兰，鲁睿，付戈，赵淳璐，钮艳(国家 计 算机 网 络 与信 息 安 全管 理 中 心 ，北 京 100017)摘要： 序列模式作为数据挖掘中的重要分支之一，已在众多领域中得到广泛的应用，而闭合序列 模式针对频繁模式较长或 者支持度阈值较低时，相比传统的序列模式挖掘更加精简有效。 CloSpan 算法作为闭合序列模式挖掘中性能优的算法 之一，采用闭合模式挖掘算法对未识别数据集中的特征子串发现的问题进行实例论证 ，证明其高效性。关键词：序列模式； 数据挖掘； 特征子串0 引言序 列 模 式 研 究 是 数据挖掘中的一 个 重要子课 题 ， 它主要是指从相对于时间或者其他元素排列的数据中 挖掘出出现次数满足用户定义支持数阈值的序列模式 的 过 程 ，在 生 物 基 因 学 、文 本 检 索 、金 融 股 票 分 析 等 领 域已经取得了广泛的应用， 序列模式严格区别于关联规则， 最大的区别在于序列模式严格按照时 间序列或者其他因素严格排序，同时，按照序列模式挖掘到的结 果也必须按序排列。 序列模式可以定义为用户设定的 一个阈值 δ，挖掘出指定序列数据中所有支持数不小于 δ 的有序队列，这些序列被称为序列模式[4～5]。CloSpan 算法作为序列模式中的一 种 闭 合 序 列 模 式 算 法 ，根 据 文 献[1]中 研究可知当所 挖 掘 序 列 长 度 很 长并且阈值低的时候 CloSpan 算法明显优于 PrefixSpan 等算法，本文主要通过 CloSpan 算法对数据集中未识别 数据的特殊子串发现的问题进行了性能的分析。1 CIoSpan 算法及 PrefixSpan 算法介绍频繁闭项集定义：是指项集 Y 是频繁的，不存在 Y 的一个超集，使得 Y 的支持度等于超集的支持度 ，那么 Y 就是一个频繁闭项集。频繁闭项集性质：对于一个频繁项集，如果存在 与其支持度相等的超集， 那么该频繁项集一定不 是频繁 闭项集；反之，则一定是频繁闭项集。PrefixSpan 算法描述如下：Input : projected database SD，he minimum support thresh- old（min_sup）；Output : all frequent sequential pattern for projected database SD;Method : CALL PrefixSpan( ，0，SD )Procedufe PrefixSpan(a，l，SD|a)／ *a: one sequence pattern; L: the length of sequence pat- tern a; SD |a: if a not equal to , SD |a as one projected database of a, otherwise,SD|a=SD* ／算法描述如下：{Begin ：（1） Scanning SD |a， finding frequent item b to meet the following conditions：Adding b into the last elements of a format the sequence mode called frequent sequential pattern; and making the (b) as the last element of a format the sequence mode called fre- quent pattern.（2） For any condition (1) project b, b will be added to the a after the formation of frequent sequential patterns is a, output a;（3） For each a’, structure projected database SD|a of a;（4） For all SD|a;（5） CALL PrefixSpan(a’，L+1，SD|a’) end}PrefixSpan 算法引入了投影数据库思想，相比传统 的数据挖掘方法已经逐步将数据库规模缩小， 但它 主 要是针对于频繁短序列模式， 对于频繁较长序列模式 或者最小支持度较小时， 它所得出的频繁序列数量