面向复杂事件处理的无监督频繁模式挖掘

复杂事件处理（CEP）是一组利用复杂且高度描述性的模式从海量数据流中高效提取知识的方法。众多应用，如在线金融、医疗监测和欺诈检测，使用 CEP 技术在实时捕获关键警报、潜在威胁或重要通知。迄今为止，在许多领域中，模式由人类专家手动定义。然而，期望的模式常包含人类难以察觉的复杂关系，且许多领域缺乏人类专家。我们提出 REDEEMER（REinforcement baseD cEp pattErn MinER），一种新颖的强化与主动学习方法，旨在挖掘 CEP 模式，从而在减少所需人力的同时扩展所提取的知识。该方法包含一种针对广阔多变量空间的新型策略梯度方法，以及一种将强化学习与主动学习相结合以进行 CEP 规则学习并最小化训练所需标签数量的新方式。REDEEMER 旨在使此前无法利用 CEP 的领域得以集成 CEP。据我们所知，REDEEMER 是首个提出先前未观测到的新 CEP 规则的系统，也是首个旨在为缺乏 CEP 工具所需充分信息的领域增进模式知识的方法。我们在多个数据集上的实验表明，REDEEMER 能够扩展模式知识，同时优于若干用于模式挖掘的 SOTA 强化学习方法。