序列模式

摘要： 推荐算法在一定程度上解决了信息过载问题,但传统推荐模型在挖掘数据特性方面有待改进。为此,结合强化学习方法提出一种融合序列模式评分的策略梯度推荐算法。将推荐过程建模为马尔可夫决策过程;分析推荐基础数据特性模式,设计以序列模式评分为奖励的反馈函数,在算法的每一次迭代过程中学习;通过对累积奖励设计标准化操作来降低策略梯度的方差。将该方法应用到电影推荐中进行验证,结果表明所提方法具有较好的推荐准确性。

摘要： 为应对高校校园网的Web应用安全威胁,设计了基于ELK的日志安全威胁监测平台。首先对Web日志进行数据分析,挖掘其中的安全威胁攻击模式,形成安全监测模型库并将其应用于实时安全监测。系统运行结果证明,该平台可以发现校园网中的安全威胁,可视化关联分析便捷,能有效地提高运维效率和安全攻击排查的速度。

摘要： 日志数据是互联网系统产生的过程性事件记录数据,从日志数据中挖掘出高质量序列模式可帮助工程师高效开展系统运维工作.针对传统模式挖掘算法结果冗余的问题,提出一种从时序日志序列中挖掘序列模式(DTS)的算法.DTS采用启发式思路挖掘能充分代表原序列中事件关系和时序规律的模式集合,并将最小描述长度准则应用于模式挖掘,设计一种考虑事件关系和时序关系的编码方案,以解决模式规模爆炸问题.在真实日志数据集上的实验结果表明,与SQS、CSC与ISM等序列模式挖掘算法相比,该算法能高效挖掘出含义丰富且冗余度低的序列模式.

摘要： 物流路径优化是智能化物流的核心问题之一,本文针对物流路径数据的特点,提出了一种针对物流路径数据的预处理方法,在保留路径站点顺序的前提下过滤掉其他无关信息。该方法根据物流路径数据的实际情况,通过一次扫描所有路径数据使用邻接表构建带权有向图,然后通过递归挖掘权重大于阈值sup的所有子路径,即为频繁路径集。通过在真实物流数据上的测试,并与FP-growth算法比较,证明了本算法的适用性。

摘要： 为突破固定模式,实时预测,使流程管理更高效更准确,本文提出一种基于序列模式的对齐预算方法.以业务流程模型和日志集作为输入,通过分析模型中活动的行为关系,将活动划分为不同的序列模式,利用条件概率对序列模式中活动做预测.并且通过实例分析了该方法的有效性.

摘要： 为提高科技文献中各类型知识元抽取的效率,提出一种基于序列模式的科技文献知识元抽取模型.该方法首先在各类型知识元描述规则的基础上,对知识元语句进行依存句法分析,生成融入语义的知识元序列模式;其次,基于知识元序列模式,通过模式匹配算法实现各类型知识元的抽取;最后,基于Prefixspan算法,从抽取的知识元中挖掘出新的描述知识元的序列模式,以实现知识元序列模式的不断动态更新与扩展,进而依据知识元序列模式提高知识元的抽取效率.基于序列模式的科技文献中知识元的抽取方法,克服了基于规则匹配的语义局限,具有学科延展性,提高了知识元抽取的效率.

摘要： 本文给出了对于数据挖掘中序列模式的初步讨论，以及一些基本的概念和算法，并对这些算法进行了分析和评价，指出了它们的优缺点。实验数据表明，同AprioriAll算法相比较，GSP算法的运行时间大大降低了，效率提高了近20倍。ISE算法的性能优于GSP算法和SPADE算法，当增量数据添加进来时，GSP算法需要在新数据库上重新运行算法，没能充分利用以前挖掘得到的信息，因而效率很低。同时ISE算法也避免了SPADE算法中负边界的维护问题。ISE算法在性能上的优越性使得它对于挖掘序列模式以及增量挖掘都是有效的。但是整体上，序列模式挖掘仍然面临着不少的问题，如序列模式挖掘过程中如何让用户有效参与到挖掘过程中，与相关领域知识相结合进行有指导的挖掘，从而避免挖掘的盲目性。针对海量数据，序列模式挖掘算法在挖掘效率上还不高，仍然有待改进。作者认为，序列模式挖掘今后的发展方向主要包括以下几个方面:增量式挖掘，进行规则的更新与维护;将用户的先验知识、领域知识与计算智能算法相结合来指导挖掘过程，以缩小搜索空间，提高算法的效率和规则的兴趣度;面向对象数据库以及多维数据库中的序列模式挖掘;多维序列模式挖掘以及分布式序列模式挖掘等。

摘要： 文章归纳总结了桃山—诸广山铀成矿带的地质特征：多旋迥地质构造发展历程造成本区范围内地壳成熟度增高，岩石铀含量高；多期次岩浆活动带控制着铀矿床的成生与展布；具备拉张成矿构造环境，红色陆相碎屑岩断陷带、幔源中基性岩脉与铀成矿时空关系密切；产铀岩体内构造热液蚀变发育；铀成矿时代延续时间比较长；成矿体系具有统一性，都是热液成矿作用的产物。建立了成矿带的岩浆活动—构造变形—热液蚀变—铀成矿演化序列模式.

摘要： 通过模式空间划分将基于Map/Reduce处理数据集与候选序列模式集的多对多的对应关系的问题转化为处理数据集与以频繁1—序列为基的各子模式空间的多对多的对应关系问题,大大缩小了中间结果键值对集合的规模,避免了由于组合爆炸导致的单一Map节点的瓶颈问题.通过三轮的Map/Reduce任务,实现了模式空间和过滤规则的建立,并在此基础上实现了各子模式空间上独立地进行序列模式的挖掘.通过充分利用整个模式空间的全局特征及各子模式空间的个性特征,设计了优化的非递归挖掘算法,减少了前缀投影库构造次数及对构造的投影库的扫描次数,从而提高了挖掘阶段的效率.

摘要： 现有的大多数序列模式挖掘算法或者没有把项出现的时间作为一个因素来考虑,或者只考虑序列项作为点时刻而出现,而没有考虑到有的序列项是存在于一个时间范围,因而挖掘结果可能会遗漏一些有趣的模式.提出一种混合时态序列模式挖掘算法,对同时包含点时刻的项和时间区间的项的序列进行挖掘,利用有效的剪枝策略和时间区间合并,分区间精确显示混合时态序列模式挖掘结果,实验证明,算法是有效的,并且具有较好的可扩展性.

摘要： 通过模式空间划分将基于Map/Reduce处理数据集与候选序列模式集的多对多的对应关系的问题转化为处理数据集与以频繁1-序列为基的各子模式空间的多对多的对应关系问题,大大缩小了中间结果键值对集合的规模,避免了由于组合爆炸导致的单一Map节点的瓶颈问题.通过三轮的Map/Reduce任务,实现了模式空间和过滤规则的建立,并在此基础上实现了各子模式空间上独立地进行序列模式的挖掘.通过充分利用整个模式空间的全局特征及各子模式空间的个性特征,设计了优化的非递归挖掘算法,减少了前缀投影库构造次数及对构造的投影库的扫描次数,从而提高了挖掘阶段的效率.

摘要： 在面向服务的应用中,服务集成商通过选择已有服务并对这些服务进行组合,为其消费者提供增值(value-added)服务.Web服务组合是Web上服务集成的有效机制.本文从知识发现的角度,提出了一种基于序列模式挖掘的服务组合方法.其核心思想是通过从以往Web服务日志中发现高频率出现的组合服务序列集合,然后利用该序列集进行Web服务推荐,从而改进服务组合的效率与质量.并提出了一个基于邻接网络的序列模式发现算法.基于启发式方法能够高效地获取较优组合服务,具有良好的适用性及健壮性.

摘要： 本文论述了从网络日志数据中挖掘读者访问序列模式的数据准备和算法过程，初步构建了融合FS和NPPMA两种算法的Web访问序列挖掘模型。基于支持度的Fs算法是网络访问序列挖掘的经典方法，但数据处理的过程和方法比较复杂，算法的时间开销比较大;而基于支持一偏爱度的NPPMA算法，在序列模式的计算上，同时考虑了访问频度和偏爱度，比FS算法更能准确挖掘出读者浏览的兴趣模式，而且具有数据处理简单的优点，大大节约了时间开销。

摘要： 互联网的信息交流环境使人们的信息交流需求和信息交流行为都发生了许多变化,互联网已成为人们获取医疗健康信息的重要渠道.通过采集网络健康社区帖子中的用户会话数据,对用户信息交流行为开展研究,挖掘并构建用户信息交流序列模式,并对用户信息交流行为规律、序列模式特征、交流主题和交流类型等进行归纳分析.研究发现,网络健康社区用户在交流时形成了以发起者为中心、各方地位相对平等、彼此联系紧密的关系,用户表现出一定的发言风格和行为规律,主要存在4种典型交流模式,交流模式与交流类型等要素存在相关关系.

摘要： 噬菌体Bp7为T4类噬菌体,具有可收缩的尾部.利用多种生物信息学软件对本实验室分离的一株多价烈性噬菌体Bp7尾丝蛋白gp37进行结构预测及分析.gp37蛋白基本理化性质分析结果表明:尾丝蛋白gp37由1086个氨基酸组成,分子量为116ku,等电点为5.31,不稳定系数为26.07,脂肪指数为81.27,亲水系数为-0.236;氨基酸含量最高的为甘氨酸(13％),最低的为半胱氨酸(0-3％),非极性氨基酸比例较低(37.4％).gp37氨基酸序列同源性分析结果表明:尾丝蛋白gp37属于T4类噬菌体,与噬菌体JS98尾丝蛋白亲缘关系较近,但与T4噬菌体尾丝蛋白亲缘关系远.噬菌体Bp7尾丝蛋白gp37氨基酸序列保守性分析显示Bp7尾丝蛋白gp37序列呈马赛克特征,大多数保守区集中在序列中部,N端起始序列保守性很高,C端序列保守性差,构成尾丝中央核心的氨基酸序列保守性强,在其序列C端存在亮氨酸拉链基元(I-6X-I-6X-I-6X-I),与宿主受体识别有关.噬菌体 Bp7尾丝蛋白gp37二级结构分析显示其结构特征与T4噬菌体尾丝蛋白的二级结构具有相似性,但其C末端多出一个α螺旋区域.在PDB数据库中未发现对噬菌体Bp7尾丝蛋白gp37三级结构同源序列,因此未能获得其结构模型.

摘要： 噬菌体Bp7为T4类噬菌体,具有可收缩的尾部.利用多种生物信息学软件对本实验室分离的一株多价烈性噬菌体Bp7尾丝蛋白gp37进行结构预测及分析.gp37蛋白基本理化性质分析结果表明:尾丝蛋白gp37由1086个氨基酸组成,分子量为116ku,等电点为5.31,不稳定系数为26.07,脂肪指数为81.27,亲水系数为-0.236;氨基酸含量最高的为甘氨酸(13％),最低的为半胱氨酸(0-3％),非极性氨基酸比例较低(37.4％).gp37氨基酸序列同源性分析结果表明:尾丝蛋白gp37属于T4类噬菌体,与噬菌体JS98尾丝蛋白亲缘关系较近,但与T4噬菌体尾丝蛋白亲缘关系远.噬菌体Bp7尾丝蛋白gp37氨基酸序列保守性分析显示Bp7尾丝蛋白gp37序列呈马赛克特征,大多数保守区集中在序列中部,N端起始序列保守性很高,C端序列保守性差,构成尾丝中央核心的氨基酸序列保守性强,在其序列C端存在亮氨酸拉链基元(I-6X-I-6X-I-6X-I),与宿主受体识别有关.噬菌体 Bp7尾丝蛋白gp37二级结构分析显示其结构特征与T4噬菌体尾丝蛋白的二级结构具有相似性,但其C末端多出一个α螺旋区域.在PDB数据库中未发现对噬菌体Bp7尾丝蛋白gp37三级结构同源序列,因此未能获得其结构模型.

摘要： 本发明公开了基于球状鲁棒序列局部二值化模式的序列分类方法方法，主要解决现有技术对极光序列分类准确率不高和时间复杂度不够低的问题。其技术方案是：1.选取训练数据序列和测试数据序列；2.求出训练数据序列的球状鲁棒序列局部二值化编码值，统计得到训练数据的特征向量；3.将训练数据序列的特征向量和标签输入到SVM中进行训练得到训练模型；4.求出测试数据序列的球状鲁棒序列局部二值化编码值，统计得到测试数据的特征向量；5.将测试数据序列的特征向量输入到训练好的SVM模型中得到分类结果。本发明提高了极光序列的分类准确率，降低了时间复杂度，可用于计算机对极光序列的自动分类。

摘要： 本发明公开了基于球状鲁棒序列局部二值化模式的序列分类方法方法，主要解决现有技术对极光序列分类准确率不高和时间复杂度不够低的问题。其技术方案是：1.选取训练数据序列和测试数据序列；2.求出训练数据序列的球状鲁棒序列局部二值化编码值，统计得到训练数据的特征向量；3.将训练数据序列的特征向量和标签输入到SVM中进行训练得到训练模型；4.求出测试数据序列的球状鲁棒序列局部二值化编码值，统计得到测试数据的特征向量；5.将测试数据序列的特征向量输入到训练好的SVM模型中得到分类结果。本发明提高了极光序列的分类准确率，降低了时间复杂度，可用于计算机对极光序列的自动分类。

摘要： 一种用于对帧进行编码的信道编码器，包括：多模式冗余编码器，用于根据一组不同编码模式中的特定编码模式对帧进行冗余编码，其中编码模式在添加到帧的冗余量方面彼此不同，其中多模式冗余编码器被配置为输出包括至少一个码字的编码帧；着色器，用于将着色序列应用于至少一个码字；其中着色序列是通过应用至少一个着色序列改变码字的至少一位，其中具体着色序列是根据特定编码模式选择的。

摘要： 本发明属于数据处理技术领域,涉及一种序列模式的挖掘方法。该方法包括：利用时间窗口对原始序列进行划分，形成时间序列集；扫描时间序列集，获取一项式集合；根据频繁一项式定义采用动态阈值对一项式进行筛选，将非频繁的项从序列集中删除，得到频繁一项式集；从频繁一项式集中的第一项开始以所述的第一项为前缀构造后缀，对后缀进行频繁多项式的挖掘，满足频繁多项式定义的项为频繁项，当后缀为空时，挖掘结束；遍历频繁一项式集合，迭代进行上一步操作，直到频繁一项式集合被遍历完成，得到频繁项集合。本发明的方法，在识别频繁一项式时，采用了动态变化的支持度阈值；不仅对不同序列之间频繁出现的模式进行挖掘，也挖掘一个序列内部频繁出现的模式。

摘要： 本发明涉及一种基于生物序列的负序列模式的相似性分析方法、实现系统及介质，包括：(1)数据预处理：将DNA序列中的字母用数字来表示；并分割成若干个块，得到的若干个块作为频繁模式挖掘的数据集；(2)频繁模式挖掘：使用f‑NSP算法来挖掘数据集；(3)对最大频繁正、负序列模式进行图形表示；把最大频繁正、负序列模式转化为数字序列；(4)DNA序列的相似性分析：求取不同DNA序列的相似度，选取相似度最小的对应的DNA序列为待研究的DNA序列。本发明可以有效地对负序列进行有效的表达和分析，并且通过选取不同的最大频繁模式组合，能够得到不同的分析结果，大大节省了计算机的内存和时间的消耗。

摘要： 基于移动交易序列模式的用户行为模式增益挖掘，首先是基于增益模式集成移动模式挖掘高增益移动行为序列模式，其次是依赖频次模式挖掘解决不同类型商务模式的顾客行为序列模式，然后是在各种复杂环境下验证评价算法的执行效率。通过高增益模式与动态行为路径的集成探索出高效益的移动序列模式处理。本发明提出基于移动商务行为特征数据信息构造树算法，挖掘移动商务行为数据的品类特征信息，在同类算法结果比较中具有能较高水准地表达发掘移动序列行为模式。

摘要： 本发明涉及一种基于生物序列的负序列模式的相似性分析方法、实现系统及介质，包括：(1)数据预处理：将DNA序列中的字母用数字来表示；并分割成若干个块，得到的若干个块作为频繁模式挖掘的数据集；(2)频繁模式挖掘：使用f‑NSP算法来挖掘数据集；(3)对最大频繁正、负序列模式进行图形表示；把最大频繁正、负序列模式转化为数字序列；(4)DNA序列的相似性分析：求取不同DNA序列的相似度，选取相似度最小的对应的DNA序列为待研究的DNA序列。本发明可以有效地对负序列进行有效的表达和分析，并且通过选取不同的最大频繁模式组合，能够得到不同的分析结果，大大节省了计算机的内存和时间的消耗。

摘要： 本发明涉及时间序列挖掘技术领域，适用于金融、营销、生物医疗等领域，用于挖掘海量时间序列中连续出现的频繁序列模式。本发明提供一种快速、可并行的频繁时序序列挖掘方法，在此过程中，提出一种“区段频次索引”的结构用来辅助快速定位关键元素的“下一个元素”，以一种主动的方式由较短的频繁序列逐步增长为更长的频繁序列。更进一步地，考虑到频繁序列可能存在重复或包含，提出一种新的搜索策略：将所有频繁序列连接为一个较长的序列，通过查询各个序列的次数决定是否是包含或重复的。此方法较好地保持了频繁序列的最简性。

摘要： 本发明公开了一种非频繁序列中挖掘可决策负序列模式的购买行为分析方法，属于数据挖掘的序列模式分析领域。本发明首先通过设置两级多最小支持度来挖掘非频繁和频繁正序列；其次，利用转化策略生成负候选序列集，并利用集合论的思想通过已知的频繁和非频繁正序列的相关信息计算负候选序列的支持度无需多次扫描数据库；然后，通过最小支持度（由用户指定）筛选得到最终的负序列模式；最后，利用SAP算法筛选可决策的负序列模式。挖掘得到序列模式能用来分析客户的购买行为，使得商家能够根据当前的商品买卖情况给顾客推荐最有可能购买的商品，从而节省了顾客的购物时间，也可以预测以后的商品买卖情况，从而能够更好的安排商品的摆放，提高商品销售量。

摘要： 本发明公开了一种以项集为序列元素的对比序列模式挖掘方法，所述方法包括：步骤1：输入以项集为元素的正例序列集D+和负例序列集D–，间隔约束γ，正例支持度阈值α，负例支持度阈值β；步骤2：基于步骤1输入的数据，扫描序列集，生成等价元素；步骤3：基于等价元素生成候选序列模式；步骤4：将候选序列模式进行去冗余处理，输出最小化对比序列模式，实现了以项集为元素的对比序列模式挖掘方法，计算时间较短，效率较高的技术效果。