基于位置信息序列模式挖掘算法.docVIP

基于位置信息序列模式挖掘算法 　　 (西北工业大学 计算机学院， 西安 710072) 　　?? 　　摘 要：PrefixSpan算法在产生频繁序列模式时会产生大量的投影数据库，其中很多投影数据库是相同的。提出了基于位置信息的序列模式挖掘算法――PVS，该方法通过记录每个已产生投影数据库的位置信息，避免了重复产生相同的投影数据库，从而提高了算法的运行效率。通过实验证明，该算法在处理相似度很高的序列数据时比PrefixSpan算法有效。?? 　　关键词：前缀；序列模式；投影数据库；位置信息?? 　　中图分类号：TP311 文献标志码：A 　　 文章编号：1001?B3695(2009)02?B0529?B03 　　?? 　　Position valuebased sequential pattern mining algorithm 　　?? 　　ZHANG Lijun, LI Zhanhuai, WANG Miao 　　??(School of Computer, Northwestern Polytechnical University, Xi’an 710072, China) 　　??Abstract:More project databases are produced when PrefixSpan mines frequent sequential patterns.This paper developed the position valuebased sequential pattern mining approach, PVS, which could produce all the sequential patterns without candidate set. And it also recorded the position value of each produced project database, escape of producing the same project database. The experiment shows PVS is more feasible and efficient than PrefixSpan when dealing similar sequential database.??Key words:prefix; sequential pattern; project database; position value 　　?お? 　　0 引言?? 　　序列模式挖掘是数据挖掘中的重要组成部分，它是从序列数据库中挖掘出满足用户要求的子序列作为频繁模式，这些子序列具有时序性的特点。近几年序列模式挖掘研究发展迅速，并广泛应用于多个领域，如顾客购买行为的分析、网络访问模式分析、科学实验数据的分析、DNA序列的破译、蛋白质功能预测等方面。?? 　　序列模式首先是由R. Agrawal等人[1]提出的，随后所提出的算法都是基于Apriori原理的改进算法。Zaki[2]提出了基于垂直数据表示的SPADE算法。Han等人[3]提出了不产生候选集的基于模式增长的FPgrowth算法，接着他们又研究出了基于投影数据库的FreeSpan[4]和PrefixSpan[5]算法。但是，上述算法所产生的频繁模式众多，其中有很多冗余模式存在。因此，在某些场合下不需要挖掘出完全的频繁模式集，而是去挖掘出具有相同表达能力、却有更加简洁形式和较小数量的闭合频繁模式集。Pasquier等人[6]首先提出了频繁闭合模式的概念。一个频繁模式是闭合频繁模式，当且仅当没有与其具有相同支持度的超集存在。随后，Pei等人[7]提出了基于FPgrowth的CLOSET算法；Wang等人[8]在CLOSET的基础上提出了CLOSET+算法。Burdick 等人[9]提出的深度优先搜索算法MAFIA采用垂直二进制位图表示模式支持集。Yan等人[10]在投影数据库方法的基础上提出了CloSpan算法。Zaki等人[11]采用垂直数据表示的方法提出了CHARM算法。?? 　　从上述序列模式挖掘算法的发展过程可以看到，传统的Apriori类算法由于受到其自身不可避免的缺点限制，已经被以PrefixSpan算法为代表的基于模式增长的方法所替代。但是，PrefixSpan算法也有其缺点，即在产生频繁模式的同时，可能会产生出大量的重复投影数据库，对算法的性能有所影响。如果能够避免产生重复的投影数据库，则可以在一定程度上提高算法的效率。为此，本文提出了基于位置信息的序列模式挖掘算法――PVS（position valuebased sequential pattern mining），该