本文详细介绍了GSP算法，一种用于序列挖掘的方法。它在Apriori算法基础上引入时间约束、时间窗口大小和分类标准。算法主要包括候选集生成和计算、分类等步骤，并通过倒排索引和哈希树优化。文章还提供了算法实现的详细流程，包括数据读入、倒排索引创建、频繁项集生成等，并展示了在Ubuntu下的编译和运行示例。
参考论文:
Srikant R, Agrawal R.Mining sequential patterns: Generalizations and performance improvements[M].Springer Berlin Heidelberg, 1996.
1. 参考论文描述:
Srikant R, Agrawal R. 提出的算法，在原有aporiori的基础上，引入了3个新的概念来定义频繁模式子序列：
1） 加入时间约束，使得原有的aporiori关注的连续变成了只要满足min_gap和max_gap约束的序列，都算是连续的。
2） 加入time_window_size。使得transaction有新的定义。只要在window_size内的item，都可以认为是在同一个itemset。
3） 加入分类标准。
本文的GSP算法实现步骤如下：
1） 候选集生成
a) 合并阶段： 2个subsequence s1和s2能够合并的标准是，去掉s1中的第一个item，去掉s2中的最后一个item，若此时s1和s2相同，则可以对s1和s2进行合并，即将s2中的最后一个item加入到s1中，其中最后一个item是否为合并在原来s1的最后一个itemset，还是自成一个新的itemset，取决于s2的最后一个item是否原来就是一个单独的itemset。
b) 剪枝阶段：不频繁子序列的超集也不频繁。
2） 候选集计算
a) 减少候选集检验是否满足的个数：在这，使用到了哈希树，即将序列中的第p个item映射在第p层上。然后按照候选集进行检查。
b) 检查语料库中是否有满足要求的特定子序列：此处用到了倒排记录表，而倒排记录表的ID可以是item，也可以是transaction-time。简要步骤就是，首先找到第一个itemset，记录时间，然后对于第二个</
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
