什么是序列模式以及它的算法机制？

---

编译：布洛克斯加布

在购物篮分析数据中，常常会包含顾客购买商品的时间信息，基于时间的顺序可以形成某种序列关系，而Apriori算法只强调商品同时出现，并不关系数据中的序列信息，但是序列信息却对于预测特定事件未来的发生起着重要作用。

首先从处理的数据对象上区分Apriori算法和序列模式。Apriori算法和序列模式处理的数据对象如下：

Apriori算法处理的数据对象

序列模式处理的数据对象

Apriori算法只考虑商品同时出现，没有考虑顾客在不同时间点的购买情况，而序列模式则分析的是顾客在不同时间点的购买情况。序列模式中的基本概念如下：

事件：某一时间点下的购买记录，如{牛奶，面包机，面包}

项目：当前购买记录中涉及的所有商品，比如，以上序列模式处理的数据对象的项目是{牛奶，面包机，面包，橙汁，啤酒，豆奶}

序列：序列是事件的有序列表，比如，<{啤酒，面包机，豆奶}，{面包，橙汁}>

K频繁序列：满足最小支持度的序列叫做频繁序列，如果该频繁序列包含的事件数为K，则称为K频繁序列。

Apriori算法的目的是挖掘频繁项集，找到关联规则，比如，有一个频繁项集为面包机->面包，则该关联规则的含义是在一次交易中买了面包机，也很可能买面包；另外，假如现有频繁序列<面包机，面包>，表示顾客在一次交易中购买了面包机，则其后期很可能回来购买面包。对于以上描述，Apriori算法告诉我们，在销售过程中，可以将面包机和面包摆放在一起，而序列模式告诉我们，如果在一段时间内面包机的销量比较好，则可以考虑加大面包的进货量。

下面介绍序列模式挖掘的GSP算法。

GSP算法也是Apriori算法类的一种，是在Apriori算法的基础上进行了细节的调整。首先是加入了时间约束min_gap和max_gap，要求原来的连续变为只要满足在规定的min_gap到max_gap之间即可；其次是加入了time_windows_size，只要在windows_size内的事件，都可以被认为是同一序列。

算法原理如下：

（1）扫描序列数据库，根据最小支持度阈值，找出1频繁序列

（2）基于1频繁序列进行连接运算，通过最小支持度阈值来产生2频繁序列

（3）根据2频繁序列，连接产生3频繁序列，基于最小支持度阈值判断所有子集是否全是频繁序列，一次进行剪枝

（4）重复上述过程，直到没有新的序列模式或者没有新的候选序列模式产生为止

参考内容：

https://blog.csdn.net/qq_31852001/article/details/78944050

https://blog.csdn.net/m0_37786726/article/details/79884396