摘要: 频繁序列模式挖掘广泛应用于时序、文本、基因工程等领域. 与模式匹配不同, 模式挖掘需要进行模式的构造, 因此更具有挑战性. 本讲座描述该领域的一个具体方向的发展历程, 以及与粒计算的关系. 带周期性通配符区间的模式对应于一定程度的模糊匹配; 将通配符区间扩展为弱通配符区间使得我们关注重要的字符或变化, 而忽略不重要的字符或变化; 三分字母表字母分成强、中、弱三个部分, 使得中间的字符即可以被关注,也可以被忽略; 多变量三分模式则应对多个变量的序列, 且支持状态转移图. 这个历程中的模式逐渐泛化, 且都有其适用范围.
1. 基础知识
1.1 序列
时间序列、文本序列、基因序列
![](https://i-blog.csdnimg.cn/blog_migrate/de26d88f1ead2f5e2e85a466d997eca1.png)
![](https://i-blog.csdnimg.cn/blog_migrate/08f601c85efbb7e2cba1b480b62fdbcb.png)
1.2 模式匹配与模式挖掘
![](https://i-blog.csdnimg.cn/blog_migrate/a0a3c7cae0b0442e00e2b882003d024f.png)
- 模式匹配是指给定模式, 在序列中查找的过程. 可以有精确匹配、模糊匹配等.
应用: 字符串查找, 搜索引擎. - 模式挖掘是指从序列中挖掘出模式. 更有挑战性.
一般是挖掘频繁模式, 否则难于界定模式的意义.
应用: 关键词提取, 词云. - 可以认为模式匹配是模式挖掘的基础
![](https://i-blog.csdnimg.cn/blog_migrate/eda8241ddcdafd10e0078064645f4dd0.png)
1.3 简单 (平凡) 模式
支持精确匹配, 如 AGTA.
2. 通配符与通配符区间
- 带通配符模式: 如 AG?A
假设字母表为 Σ \Sigma Σ = {A, G, C, T}, 该模式可以匹配 AGAA, AGGA, AGCA, AGTA. 既支持一定的模糊匹配. - 带通配符区间模式: 如 A[0,2]G[0,2]A
它可以匹配 AGA, ATGA, AGTAA 等等, 具有相当的灵活性.
3. 弱通配符区间 [ 1 ] ^{[1]} [1]
![](https://i-blog.csdnimg.cn/blog_migrate/46a8a054dda648c6dbcb30404abd39d0.png)
- 弱字符通常是微弱变化的编码, 如气温的波动在 1 ∘ 1^{\circ} 1∘C 之内, 股票波动在 1% 之内.
- B[0,2]b[0,2]C[0,2]B[0,2]D 中, [0, 2] 匹配的只能是弱字符.
- 基本思想: 关注重要变化, 忽略次要变化.
![](https://i-blog.csdnimg.cn/blog_migrate/73ebf1fb2850827384d85d86cf2daa53.png)
4. 三分模式 [ 2 ] ^{[2]} [2]
- 基本思想: 进一步将字母表三分为强、中、弱三个子集.
- 反映了不同应用的需求
- 时序: 重要变化、中等变化、微弱变化
- 自然语言: 实词、虚词、可实可虚词
- 氨基酸: 必须、半必须、非必须 (有点强行解释)
![](https://i-blog.csdnimg.cn/blog_migrate/5b0705608826be60b00fea2bd6c2df0e.png)
![](https://i-blog.csdnimg.cn/blog_migrate/479933174c6bcd3faf0cd536b32f7cce.png)
- 基本定义的不同导致了新的模式, 它比已有模式更一般化, 而且更能反映 “相似而不相同”.
![](https://i-blog.csdnimg.cn/blog_migrate/b15eb847a7de6d18431bc87097212416.png)
5. 多变量三分模式 [ 3 ] ^{[3]} [3]
- 基本思想: 处理多变量.
![](https://i-blog.csdnimg.cn/blog_migrate/8fa4ac0492dbd4803524cd75ca79fef1.png)
- 水平方向 (不同变量)
根据频繁项集挖掘获得状态的频繁度, 确定状态的分区. - 垂直方向 (不同时间)
获得频繁模式
![](https://i-blog.csdnimg.cn/blog_migrate/faea5f6c39b18a89673d69efde7fa4ce.png)
- 进一步可视化
![](https://i-blog.csdnimg.cn/blog_migrate/d5c0c0e53eee4ebd1e96b1cc973ff111.png)
6. 小结
更丰富的模式定义, 更有实际意义的结果.
参考文献
[1] Chao-Dong Tan, Fan Min, Min Wang, Heng-Ru Zhang, Zhi-Heng Zhang, Discovering patterns with weak-wildcard gaps, IEEE Access 4 (2016) 4922–4932.
[2] Fan Min, Zhi-Heng Zhang, Wen-Jie Zhai, Rong-Ping Shen. Frequent pattern discovery with tri-partition alphabets. Information Sciences. 2020. 507. pp. 715–732.
@article{min2020Frequent,
title = {Frequent pattern discovery with tri-partition alphabets},
author = {Fan Min and Zhi-Heng Zhang and Wen-Jie Zhai and Rong-Ping Shen},
journal = {Information Sciences},
year = {2020},
publisher = {Elsevier},
volume = {507},
pages = {715--732},
doi = {10.1016/j.ins.2018.04.013}
}
[3] Zhi-Heng Zhang, Fan Min, Gong-Suo Chen, Shao-Peng Shen, Zuo-Cheng Wen, Xiang-Bing Zhou. Cognitive Computation. 2021. DOI: 10.1007/s12559-021-09871-4.
@article{zhang2021tripartition,
title = {Tri-Partition State Alphabet-Based Sequential Pattern for Multivariate Time Series},
author = {Zhi-Heng Zhang and Fan Min and Gong-Suo Chen and Shao-Peng Shen and Zuo-Cheng Wen and Xiang-Bing Zhou},
journal = {Cognitive Computation},
year = {2022},
publisher = {Springer},
doi = {10.1007/s12559-021-09871-4}
}