序列模式挖掘

摘要： 时间序列记录的是某一统计量按照时间推移而发生变化的数据,寻找合理的挖掘算法解决时间序列问题具有很强的现实意义。提出一种保序序列挖掘方法,通过子模式匹配结果挖掘(read the sub-pattern matching for mining,RSMM)算法,挖掘时间序列中频繁出现的趋势变化,在计算支持度时根据子模式的匹配结果得到超模式的支持度,在一遍扫描时间序列的情况下挖掘出所有的频繁保序模式。从理论上证明了RSMM是满足Apriori性质的完备性算法。在真实数据集上进行的实验表明,与其他对比算法相比,运行时间显著减少,从而验证了RSMM算法的高效性。

摘要： 基于API调用序列的Android恶意代码检测方法大多使用N-gram和Markov Chain来构建行为特征实现恶意代码检测,但这类方法构造的特征序列长度受限且包含不相关的调用序列,检测精度不高。提出了一种基于行为模式的Android恶意代码检测方法。首先,通过调用序列约简和调用序列合并,提取了最长敏感API调用序列;然后,定义了加权支持度,在此基础上提出了改进的序列模式挖掘算法,挖掘不同类别样本中具有高区分度的序列模式作为分类特征;最后,使用不同的机器学习算法构建分类器实现恶意代码检测。实验结果表明,提出的方法在Android恶意代码检测中的精确度达到了96.11%,比基于API调用数据的两种同类恶意代码检测方法分别提高了4.60个百分点和2.11个百分点。因此,提出的方法能有效检测Android恶意代码。

摘要： 随着在线学习的发展,在线学习平台积累了大量的学习者微观学习行为的数据。越来越多的研究人员提出利用这类由技术支持的数据来研究学习过程中交互行为的序列和时间模式,也就是行为序列模式的挖掘与研究。该文聚焦于大规模私有在线课程中的学习者微观交互行为,尝试运用序列挖掘的方法来探讨行为模式的演变,并对不同成就群体之间的模式进行了比较,揭示了高、低成就学习者群体的主要交互模式及其演变趋势,并且就两个群体的模式进行了比较。该研究结果为细粒度层面的交互行为模式的研究提供了一个新的视角,有助于教师进一步了解学习者的在线行为,并针对不同学习者设计专门的干预措施。对于学习平台开发者来说,该研究提供了关于微观在线行为模式的挖掘、呈现和解释的有益尝试,为平台功能的设计和实现提供帮助,此外,还可以帮助教学设计者构建以学习者为中心的课程来促进在线学习。

摘要： 针对传统序列模式挖掘算法中支持度不能如实体现序列模式兴趣度以及未对报告的序列模式进行质量评估的问题,提出一个基于影响度的统计显著序列模式挖掘算法ISSPM。首先,递归地挖掘出所有满足兴趣度约束的序列模式;然后,使用项集置换方法构建这些序列模式的置换检验零分布;最后,通过该零分布计算出被评估的序列模式的统计度量值,并从上述序列模式中找到所有统计显著序列模式。真实序列记录集合上的实验结果表明,ISSPM算法相较于PSPM、SPDL和PSDSP算法挖掘到的序列模式数量更少但兴趣度更强;仿真序列记录集合上的实验结果表明,ISSPM算法报告的结果中假阳性序列模式数量平均占比为3.39%,且该算法的嵌入模式的发现率均不低于66.7%,明显优于上述3个对比算法。可见,ISSPM算法报告的统计显著序列模式能够体现序列记录集合中更有价值的信息,同时根据这些信息做出的进一步分析和决策也更加可靠。

摘要： 编程模式是指在代码中重复出现且具有结构意义的代码片段,准确识别高中程序设计所需的编程模式有助于教师把握编程教学的重点和途径,提升编程课程的教学效果.当前的编程教学研究鲜有关注编程模式对编程教学的意义,也未有研究明确高中编程教学中的编程模式内容和数量.为此,研究依据编程模式的结构特点,采用序列模式挖掘方法自动识别了高中阶段编程教学涉及的编程模式,并进行了有效性验证.结果表明,从现行高中信息技术课程必修"程序设计"模块识别的共计18种编程模式涉及多种基础知识点的复合应用,能够有效扩展编程教材中的教学知识范畴.研究还进一步阐述了编程模式的实践教学价值,并从教学内容、教学方法、教学资源三个方面给出了利用编程模式实施编程能力培养的具体方法.

摘要： 开展互动式课堂教学既是优化教学方式的要求,也是教师专业化发展的重要表征.基于此,文章从国家教育资源公共服务平台选取300节课作为样本数据,采用序列模式挖掘方法,对初级、中级、专家型教师的课堂互动进行了对比分析,发现:初级教师和中级教师的课堂互动、课堂互动转换频次、课堂互动序列演进过程均较为相似,但与专家型教师的互动式课堂教学存在显著性差异:专家型教师的提问和引导更具有效性、策略性,通过深入互动更能触发学生的高阶思维和复杂认知能力,在互动功能延展方面更擅于搭建思维链条、认知网络并构建双螺旋上升的互动模式.文章的研究可为教师开展互动式课堂教学提供参考,并有助于优化课堂教学模式、促进教师专业发展,进而打造优质高效的课堂.

摘要： 无重叠条件序列模式挖掘是一种间隙约束序列模式挖掘方法,与同类挖掘方法相比,该方法更容易发现有价值的频繁模式,其核心问题是计算给定模式在序列中的支持度或出现数,进而判定该模式的频繁性.而计算模式支持度问题实质是无重叠条件模式匹配.当前研究采用迭代搜索无重叠出现,然后剪枝无用结点的方式计算模式的支持度,其计算时间复杂度为O(m×m×n×W),其中,m,n和W分别为模式长度、序列长度及最大间隙.为了进一步提高无重叠条件模式匹配计算速度,从而有效地降低无重叠条件序列模式挖掘时间,提出了 一种高效的算法,该算法将模式匹配问题转换为一棵网树,然后从网树的最小树根结点出发,采用回溯策略迭代搜索最左孩子方式计算无重叠最小出现,在网树上剪枝该出现后,无需进一步查找并剪枝无效结点即可实现问题的求解.理论证明了该算法的完备性,并将该算法的时间复杂度降低为O(m×n×W).在此基础上,继续指明该问题还存在另外3种相似的求解策略,分别是从最左叶子出发迭代查找最左双亲方式、从最右树根出发迭代查找最右孩子方式和从最右叶子出发迭代查找最右双亲方式.实验结果验证了该算法的性能,特别是在序列模式挖掘中,应用该方法的挖掘算法可以降低挖掘时间.

摘要： 交通拥堵指数预测是智能交通系统的核心能力之一.然而,现有方法大多采用回归模型,在长期交通拥堵指数预测任务上表现不佳.针对此问题,本文提出了一种融合演化模式挖掘和代价敏感学习的交通拥堵指数预测方法.首先,采用序列模式挖掘算法从交通拥堵指数历史数据中发现长期演化模式.同时,采用代价敏感学习技术对交通拥堵指数数据与多种时空特征之间的关联进行学习.最后,通过Stacking框架对演化模式挖掘和代价敏感学习的能力进行融合.基于杭州市真实交通拥堵指数数据集进行的实验表明,本文提出的方法对未来5天交通拥堵指数的预测误差比现有方法降低了10％以上.

摘要： MOOC的出现不仅改变了高等教育的生态环境,而且促进了小规模限制性在线课程(SPOC)的发展.为了了解学生在SPOC平台的行为,本研究收集了他们一个学期内在平台上的操作记录,并用序列模式挖掘算法分析了学生的在线学习行为.研究结果发现3个主要的学生的频繁行为序列,与学习课程资源、查看资源统计和查看作业模块有关.

摘要： 随着应用软件功能的不断扩展,项目规模也随之迅速增大,同时也给整个代码工程增加了巨大的维护和重构成本代码克隆检测作为减少软件维护成本,提升软件重构效率的重要手段,已成为众多高效维护和重构工作中不可或缺的一部分如何有效地检测出克隆代码是工程师们亟待解决的问题本文提出一套完整的基于机器学习算法来检测代码克隆的方法(Sequence Pattern Mining and Bayes,SPMB)尤其是对实现相似或相同功能逻辑的克隆代码集合进行序列模式挖掘,利用挖掘出的特征序列构造出基于朴素贝叶斯算法的分类器进行测试代码的功能分类,通过分类的结果来判断克隆代码的业务逻辑此外,该方法还包含反馈机制,通过不断优化训练集,使其具有不断自我学习的能力将SPMB方法应用于IJaDataset 2.0数据集的实验结果表明,通过不断调优阈值,将F1-Score从0.65提高到了0.96,为代码克隆提供了一种有效的检测手段.

摘要： 按照相似度对多数据源中各数据库和相应的增量数据库进行分类,将各类数据库和增量数据库与敏感序列模式进行匹配比较,利用原始数据库挖掘结果和增量数据库分析结果有效减少数据库扫描次数,通过改进序列模式挖掘增量式算法IncSpan,设计一种隐私保护的多数据源高投票率序列模式挖掘增量式算法HSMD-ISPM.实验结果表明,HSMD-ISPM算法能够准确挖掘出多数据源中全局高投票率模式,有效隐藏敏感模式,显著缩短挖掘时间.

摘要： 提出了一种面向网络安全的序列模式挖掘方法。引入IP约束窗口的概念,利用IP地理信息和IP拓扑信息建立IP约束窗口模型,并且使用时间滑动窗口进行序列模式挖掘,是一种在特定领域中基于约束的序列模式挖掘方法。可以有效减少候选集数量,提高挖掘效率,实验证明这是一种有效的特定领域应用的序列模式挖掘方法。

摘要： 本文首先分析了Web个性化服务对序列模式挖掘的要求,然后针对传统的序列模式方法对满足最小支持度阈值的序列同等对待,但在真实数据库中不同的序列往往具有不同的重要程度的特点,提出了一种挖掘加权最大频繁序列的新算法。该算法利用频繁项目出现的频率来计算频繁序列的权重,给出了频繁加权序列的定义,不仅可以找出较为重要的最大频繁序列,而且可以使挖掘结果同样具有反单调性,从而可加速剪枝,提高算法效率,为提高web个性化服务提供了一个有效的方法。

摘要： 为提高网站可用性,许多网站可用性分析人员使用传统的可用性方法。但是传统的这些方法存在许多缺陷,如因为测试使用小样本的用户代表,造成测试得出的信息量的有限性;实验室环境与真实使用环境的不同造成的测试数据的不真实性等。为弥补这些研究方法的不足,本文作者尝试从网站日志中获取用户浏览行为,作者采用序列模式挖掘的方法从网站日志中提取用户访问网站的行为模式,通过对用户访问模式的分析,帮助可用性分析人员发现网站存在的可用性问题。这种方法能够避免传统可用性方法的缺点,但在实际应用中,由于日志文本的信息量十分庞大,可用性分析人员并非能够轻松找出所有用户访问网站的路径.因此,本文作者设计并实现了一个可以辅助分析人员发现网站可用性问题的工具,该工具应该具有良好的交互性能,令网站维护人员和可用性分析人员能够调整挖掘条件,进行有选择、有针对地挖掘。通过对工具开展的试验性应用案例研究,及通过专家评估和用户测试方法的验证,说明该工具可以辅助网站维护人员和可用性分析人员发现网站中存在的可用性问题并得到相应的解决方案,验证了工具的有效性和开发价值。

摘要： 垃圾邮件的泛滥已经成为一个备受关注的社会问题。本文应用数据挖掘中的关联规则和序列模式挖掘，提出了一种新的行为识别方法，在邮件连接的会话阶段，对垃圾邮件的收件人特征进行识别，使“垃圾邮件行为识别模型”可以进一步识别邮件列表攻击、收件人字典攻击以及动态IP发信等垃圾邮件发送行为。实验结果表明，“垃圾邮件行为识别模型”保持了较高的准确度。行为识别技术对于网络带宽和系统负载的保护性，行为识别与现有技术相结合是可行且必要的。

摘要： 垃圾邮件的泛滥已经成为一个备受关注的社会问题。本丈应用数据挖掘中的关联规则和序列模式挖掘，提出了一种新的行为识别方法，在邮件连接的会话阶段，对垃圾邮件的收件人特征进行识别，使“垃圾邮件行为识别模型”可以进一步识别邮件列表攻击、收件人字典攻击以及动态IP发信等垃圾邮件发送行为。实验结果表明，“垃圾邮件行为识别模型”保持了较高的准确度。行为识别技术对于网络带宽和系统负载的保护性，行为识别与现有技术相结合是可行且必要的.

摘要： 本文提出了一种高效的挖掘方法,这种方法挖掘的是被大多数序列所粗略存在的模式,而不是严格的匹配模式.这种方法挖掘的是数据库中的长序列模式,而不是所有模式的集合,因为长序列模式更具有代表性及有着广泛的应用.随着数据挖掘中聚类分析的日益完善,这种方法将越发显示出其高效性及实用性.

摘要： 本文在基于数据项约束的条件下研究了如何更加有针对性地挖掘长闭合序列模式,通过实验证明,与传统的闭合序列挖掘方法相比,基于约束的倒序闭合序列挖掘算法InverClos不仅拥有更高的时空性能,并且有更好的实际应用前景.如何避免预先设定的支持度阈值对闭合序列的产生及决策支持的负面影响,将是下一步研究的目标与方向。

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： 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： 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： 本发明公开了一种基于报警序列顺序容忍度的工业报警模式挖掘方法，包括步骤S10：输入报警泛滥序列数据库，支持度阈值sup_min，以及最小频繁模式长度Lth；步骤S20：采用预定义的时间窗口消除抖振报警；步骤S30：计算报警泛滥序列数据库中项的频率，删除数据库中小于支持度阈值的项，得到新的报警序列；步骤S40：统计以序列中一项为前缀的所有后缀，并通过报警序列中两个报警发生在报警序列中的时间跨度判断某一个报警标签是否在前缀之后发生；步骤S50：输出频繁报警模式。本发明在报警数据库中每项的频率以此顺序挖掘报警序列的基础上引入报警时间跨度容忍度概念，使算法具备了报警序列短期顺序模糊的容忍度，有效地抑制报警泛滥，保证了工业过程安全和生产效益。

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。

摘要： 本发明公开了一种序列模式挖掘方法、装置及存储介质，所述方法通过计算各候选序列模式的实际频率和期望频率，筛选出实际频率大于期望频率的高兴趣度序列模式。由于实际频率和期望频率可以分别反映各候选序列模式的实际发生人次数和基于出行成本考量得到的理论发生人次数，当实际频率大于期望频率时，表示该候选序列模式在出行成本较高的情况下，仍然有远高于理论值的发生人次数，则将其作为高兴趣度序列模式。本发明通过实际频率和期望频率综合挖掘出高兴趣度序列模式，可以真实地反映人群的出行偏好信息。解决了目前挖掘出的高兴趣度序列模式通常为访问距离较近、出行成本较低的高频序列模式，难以反映人群对目的地的真实偏好的问题。

摘要： 本发明公开了一种基于序列模式挖掘的课堂对话处理方法、系统和存储介质，本发明可应用于教育信息处理技术领域。本发明方法包括以下步骤：获取课堂对话数据；将所述课堂对话数据进行转化后编码，得到若干个课堂对话序列；采用邻接矩阵分析所述若干个课堂对话序列之间的转换信息；根据所述转换信息挖掘所述若干个课堂对话序列中的长序列；对所述若干个课堂对话序列进行谱聚类，得到谱聚类结果；根据所述转换信息、所述长序列和所述谱聚类结果确定所述课堂对话的演进信息。本发明能够较好的体现课堂对话的建构性的特征，同时能够较多关注语言或行为背后体现的认知与思维特征，从而更好地对接教育教学目标。

摘要： 本发明为一次性条件的负序列模式挖掘方法，包括第一步、读入序列数据库、最小支持度阈值及间隙约束；第二步、生成模式长度为1的频繁正序列模式集F1；第三步、生成模式长度为i+1的正序列候选模式并计算支持度，将满足条件的正序列候选模式加入到频繁正序列模式集Fi+1；第四步、将序列数据库中的各个字符作为负元素依次插入到频繁正序列模式集Fi+1的各个频繁正序列模式中，得到负序列候选模式并计算支持度，将满足条件的负序列候选模式加入到频繁负序列模式集；重复第三步和第四步，直到没有新的正序列候选模式生成，挖掘结束，输出所有一次性条件的负序列模式。该方法克服了现有的负序列模式挖掘忽略间隙约束和重复性的问题。