用于发现可操作负序列的显式与隐式模式关系分析

现实生活中的事件、行为和交互会产生序列数据。一个重要但鲜少探索的问题是分析那些未发生（也称为负）却重要的序列，从而形成负序列分析（NSA）。一个典型的 NSA 领域是发现负序列模式（NSP），这些模式由重要的未发生和已发生的元素及模式组成。现有的关于 NSP 挖掘的有限工作依赖于基于频率和向下闭包性质的模式选择，产生了大量且高度冗余的 NSP，对商业决策不具可操作性。本研究首次尝试进行可操作 NSP 发现。它构建了一个 NSP 图表示，量化了基于显式发生和隐式未发生的元素与模式关系，然后在 NSP 图中发现显著的、多样的且信息丰富的 NSP，以代表整个 NSP 集合来发现可操作 NSP。一种基于 DPP 的 NSP 表示和可操作 NSP 发现方法 EINSP 为 NSA 和序列分析引入了新颖且重要的贡献：（1）它通过基于行列式点过程（DPP）的图来表示 NSP；（2）它根据统计显著性、多样性以及显式/隐式元素/模式关系的强度来量化可操作 NSP；（3）它在基于 DPP 的 NSP 图中对显式和隐式元素/模式关系进行建模和度量，以表示 NSP 项、元素和模式之间的直接和间接耦合。我们从各种理论和经验方面（包括复杂度、项/模式覆盖率、模式大小和多样性、隐式模式关系强度以及数据因素）充分分析了 EINSP 的有效性。