[发明专利]一种对比序列模式挖掘方法和装置

说明书

技术领域

本发明涉及数据分析技术，尤指一种对比序列模式挖掘方法和装置。

背景技术

序列模式挖掘作为数据挖掘的一项重要任务，有着广泛的应用。例如：广电服务商分析用户的收视纪录，发现用户的收视喜好，可为节目编排提供决策支持。与此同时，序列模式挖掘也受到了众多研究者的关注，不同类型的序列模式被陆续提出，如：频繁序列模式，闭合序列模式，对比序列模式，周期模式，偏序模式等。

给定两类序列样本集合，对比序列模式描述在正类序列样本集合中频繁(模式的支持度大于指定阈值)，且在负类序列样本集合中不频繁(模式的支持度小于指定阈值)的项集。对比序列模式能识别不同类别序列样本集合间的差异，并描述各类别样本集合的特征，因此适用于多个领域的序列数据分析。例如：在商业领域，对比不同年龄段顾客的购物行为，发现各年龄段顾客的购物模式，可以提高商品促销活动的针对性。

在已有对比序列模式挖掘研究中，主要是针对两类序列样本集合，缺乏一种对比序列模式多类别挖掘机制，限制了对数据的更深入分析与利用。

发明内容

为了解决上述技术问题，本发明提供了一种对比序列模式挖掘方法和装置。

为了达到本发明目的，本发明提供了一种对比序列模式挖掘方法，包括：

收集多类序列样本数据；

计算对比序列模式在所述多类序列样本数据构成的数据集中出现的频繁程度；

根据所述多类序列样本数据构成的数据集中出现的频繁程度，计算所述对比序列模式在支持度范围内的对比度；

挖掘得到基于所述多类序列样本数据的对比序列模式。

优选的，计算对比序列模式在所述多类序列样本数据构成的数据集中出现的频繁程度的步骤具体为：

根据以下公式计算在所述多类序列样本数据构成的数据集中出现的频繁程度：

sup(P，D_i)＝|{S|S∈D_i且P在S中出现}|/|D_i|，

其中，多类序列样本数据D＝{D₁，D₂，…，D_k}，k表示序列数据的类别，对比序列模式P＝I₁I₂I₃…I_|P|描述在一类序列样本数据中频繁出现而在其他类序列样本数据中非频繁的模式。

优选的，根据所述多类序列样本数据构成的数据集中出现的频繁程度，计算所述对比序列模式在支持度范围内的对比度的步骤包括：

设定间隔约束gap∈[0.g]，其中，g表示对比序列模式中各元素在序列样本中出现位置的间隔；

设定支持度范围，所述支持度范围包含阈值上限α和下限β；

根据以下公式计算对比序列模式在序列样本数据集中满足上限α的对比度：

根据以下公式计算对比序列模式在序列样本数据集中满足下限β的对比度：

优选的，对所述对比序列模式P的定义包括：

(1)contrast(P|α，g)>γ，其中，α∈(0，1)，γ∈(0，1)；

(2)contrast(P|β，g)<η，其中β∈(0，1)，η∈(0，1)；

(3)模式最小化。

优选的，挖掘得到基于所述多类序列样本数据的对比序列模式的步骤包括：

采用深度优先的方式生成集合枚举树，对于集合枚举树中的第一层节点，通过读取序列样本集合D，枚举D中个元素的位置获得；

如果某节点N满足所述第一定义要求，则将该节点的子孙节点全部移除；

如果某节点N保存的候选模式P的contrast(P|α，g)＝0则将该节点及其子孙节点全部移除。

本发明还提供了一种对比序列模式挖掘装置，包括：

样本收集模块，用于收集多类序列样本数据；

差异对比模块，用于计算对比序列模式在所述多类序列样本数据构成的数据集中出现的频繁程度；

对比度计算模块，用于根据所述多类序列样本数据构成的数据集中出现的频繁程度，计算所述对比序列模式在支持度范围内的对比度；

对比序列模式生成模块，用于挖掘得到基于所述多类序列样本数据的对比序列模式。

优选的，所述差异对比模块，具体用于根据以下公式计算在所述多类序列样本数据构成的数据集中出现的频繁程度：