序列模式挖掘算法比较与研究.docVIP

序列模式挖掘算法比较与研究 　　摘#8195;要序列模式挖掘是数据挖掘中的一个重要研究方向,即在序列数据库中找出所有的频繁子序列。对序列模式挖掘中的典型算法的执行过程及其特点进行研究,并对其时空执行效率进行分析比较,并且做出适当的评价。 　　关键词序列模式挖掘;算法分析;定性比较 　　中图分类号TP文献标识码A文章编号1673-9671-(2010)102-0116-01 　　 　　序列挖掘是数据挖掘中的一个研究重点,是从序列数据库中发现相对时间或者其他顺序所出现的频率子序列作为模式。其应用范围包括顾客购物行为的分析、网络访问模式分析、科学实验的分析、自然灾害的预测、DNA序列的破译等。本文以AprioriAll,GSP,FreeSpan和PrefixSpan四个典型算法为例,对两类算法进行介绍、分析和总结。 　　1序列模式挖掘中的典型算法 　　Apriori算法是关联规则挖掘的经典算法。它的思想扩展到序列挖掘中,形成了以AprioriAll和GSP为代表的经典序列挖掘算法。Pei Jian等人提出模式扩展(patter - growth) 的概念,并开发了FreeSpan和PrefixSpan等算法。下面直接引入以上四种算法进行描述和分析。 　　1.1AprioriAll算法描述和分析 　　AprioriAll 算法描述如下: 　　输入:大项集阶段转换后的序列数据库; 　　输出:所有最长序列。 　　1)L1={large1-seqence};//大项集阶段得到的结果。 　　2)For(k=2;Lk-1≠￠;k++)do begin。 　　3)Ck=Candidate-generate(Lk-1)//Ck是从Lk-1中产生的新的候选者。 　　4)For each customer-sequence c in the database do//对数据库中的每一个顾客序列c。 　　5)Increment the count of all candidates in Ck that are contained in c ;//对包含于c中Ck内的所有候选者计数。 　　6)Lk=Candidates in Ck with minimum support ;//Lk为Ck中满足最小支持度的候选者。 　　7)end。 　　8)Answer = Maximal Sequences in UkLk。 　　AprioriAll本质上是Apriori思想的扩张,只是在候选集产生和生成频繁序列方面考虑序列元素有序的特点进行处理。AprioriAll 算法存在以下问题:①缺少时间限制:用户可能需要指定序列模式的相邻元素的时间距离;②事务的定义过于严格:一个事务中包含在客户的一次购买行为中所购买的所有物品。可能需要指定一个滑动的时间窗口,客户在滑动时间窗口的时间段内的所有的购买行为均作为一个事务;③缺少分类层次:只能在项目的原始级别上进行挖掘。 　　1.2GSP算法描述和分析 　　GSP(Generalized Sequential Patterns)算法描述如下: 　　输入:大项集阶段转换后的序列数据库 　　输出:最大序列 　　1)L1= {large1-seqence}。 　　2)For(k=2;Lk-1≠￠;k++)do begin。 　　3)Ck= GSP-generate(Lk-1)。 　　4)For each customer - sequence c in the database do。 　　5)Increment the count of all candidates in Ck that are contained in c。 　　6)Lk= Candidates in Ck with minimum support 。 　　7)end。 　　8)Answer = Maximal Sequences in UkLk。 　　与AprioriAll算法相比,GSP算法统计较少的候选集,并且在数据转化过程中不需要事先计算频繁集。GSP算法的时间复杂度与序列中的元素个数成线性比例关系,执行时间随数据序列中字段的增加而增加,但是增加不明显。GSP算法存在以下几个问题:①如果序列数据库的规模比较大,则有可能产生大量的候选序列模式;②需要对序列数据库进行循环扫描;③对于序列模式的长度比较长的情况,算法很难处理。 　　1.3FreeSpan 算法描述和分析 　　FreeSpan算法执行的过程可以描述为: 　　输入:序列数据库S及最小支持度阈值min-sup; 　　输出:所有的序列模式; 　　方法:调用子程序FreeSpan(,0,S)。 　　其中子程序描述如下: