序列模式挖掘——GSP算法

序列模式挖掘的基本概念
项目全集I、项集X和事务集合T的概念和文章关联规则挖掘——Apriori算法 中定义的一致。一个序列(Sequence)是一个有序的项集列表，这个有序通常是指时间有序。我们将序列s表示为：
<a1a2...ar> <script id="MathJax-Element-43" type="math/tex"> </script>
其中， $a_i$是一个项集，也称为s的一个元素。序列元素 $a_i$用
$\{x_1, x_2, ..., x_k\}$
表示，其中 $x_j \in I$，并且， $a_i$中的元素是按字典序排列的。一个项目在一个序列的某个元素中只能出现一次，但是可以出现在序列的多个元素中。一个序列中元素的个数成为序列的基数；一个序列中项目的个数成为序列的长度，长度为k的序列成为k-序列。这里有一个关于序列的例子，如下表：

其中，每一个用户每一次购买的项目集合，是一个事务，也是一个项目集合，每一个用户所有次购买事务按时间排序就组成了一个序列，比如，对应于用户2的序列位： <(10,20)(30)(10,40,60,70)> <script id="MathJax-Element-49" type="math/tex"><(10, 20)(30)(10, 40, 60, 70)></script>。注意到，序列元素中的的项目是有序的。
子序列超虚列：对于两个序列 $s_1 = <a_1a_2...a_r>$和序列 $s_2 = <b_1b_2...b_v>$，如果存在整数 $1 \leq j_1 < j_2 < ... < j_{r-1} < j_r \leq v$使得 $a_1 \subseteq b_{j_1}, a_2 \subseteq b_{j_2}, ..., a_r \subseteq b_{j_r}$， 那么 $s_1$就是 $s_2$的字序列， $s_2$就是 $s_1$的超序列。比如， <(10)(30)(10,40,60,70)> <script id="MathJax-Element-58" type="math/tex"><(10)(30)(10, 40, 60, 70)></script>就是 <(10,20)(30)(10,40,60,70)> <script id="MathJax-Element-59" type="math/tex"><(10, 20)(30)(10, 40, 60, 70)></script>的字序列。
序列模式挖掘，就是从一个数据序列(Data Sequence)集合S中找出所有满足用户指定最小支持度的序列。每个这样的序列称为一个频繁序列，或者序列模式。可以看出，序列模式挖掘类似于Apriori算法中的频繁项目集挖掘是类似的，而且你接下来就会发现，帮助我们实现序列模式挖掘的GSP算法和频繁项目集挖掘的算法十分接近，如果你已经理解了频繁项目集挖掘算法，那么就可以很容理解GSP算法。
GSP算法
直接给出算法伪代码：

$candidate-gen-SPM(F_{k-1})$的伪代码如下：

其中， $C_k$表示候选k-频繁序列模式， $F_k$表示k-频繁序列模式， $U_kF_k$表示所有k-频繁序列模式的并集。
关于GSP算法更详细的介绍，可以阅读论文[2]。
参考资料：
1. Bing Liu. 《Web Data Exploring Hyperlinks, Contents, and Usage Data》Second Edition.
2. R. Srikant and R. Agrawal. Mining Sequential Patterns: Generalizations and Performance Improvements.