高效挖掘压缩的重复间隙序列模式

从序列数据库中挖掘频繁序列模式一直是数据挖掘领域的核心研究课题，人们已提出并研究了多种高效的序列模式挖掘算法。近年来，在许多问题领域（例如程序执行轨迹）中，一种称为挖掘重复间隙序列模式的新型序列模式挖掘研究吸引了众多研究者的关注。它不仅考虑序列模式在不同序列中的重复，还考虑序列内部的重复，这比仅捕获不同序列中出现的通用序列模式挖掘更有意义。然而，即使采用这些封闭挖掘算法，生成的重复间隙序列模式数量也可能过大，令用户难以理解，尤其是在支持度阈值较低时。本文提出并研究了压缩重复间隙序列模式的问题。受频繁项集总结方法 RPglobal 的启发，我们开发了一种算法 CRGSgrow（压缩重复间隙序列模式增长），其中包括一种高效的剪枝策略 SyncScan 和一种高效的代表性模式检查方案——支配序列模式检查。CRGSgrow 是一种两步方法：第一步，我们获取所有封闭重复序列模式作为代表性重复序列模式的候选集，同时获得大部分代表性重复序列模式；第二步，我们仅花费少量时间从候选集中找出剩余的代表性模式。在真实和合成数据集上的实证研究清楚地表明，CRGSgrow 具有良好的性能。