TaSPM: Targeted Sequential Pattern Mining
Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
序列模式挖掘（SPM）是模式挖掘的一种重要技术，在实际中有着广泛的应用。虽然已经提出了许多有效的序列模式挖掘算法，但针对目标序列的研究很少。有针对性地查询序列模式不仅可以减少SPM生成的序列数量，而且可以提高用户进行模式分析的效率。现有的靶向序列查询算法都是基于特定的场景，不能推广到其他应用。在本文中，我们制定了有针对性的序列模式挖掘的问题，并提出了一个通用的框架，即TaSPM，基于快速CM-SPAM算法。此外，为了提高TaSPM在大规模数据集和基于多项的序列数据集上的效率，我们提出了几种剪枝策略来减少挖掘过程中的无意义操作。TaSPM中设计了四种剪枝策略，能够快速终止不必要的模式扩展，获得更好的性能。最后，我们在不同的数据集上进行了广泛的实验，比较现有的SPM算法与TaSPM。实验结果表明，新的目标挖掘算法TaSPM可以实现更快的运行时间和更少的内存消耗。
2022-02-26 cs.AI cs.DB
Towards Target Sequential Rules
Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在许多实际应用中，顺序规则挖掘（SRM）可以为各种服务提供预测和推荐功能。发现属于高频、高置信度序列规则的所有有价值的规则是模式挖掘的一项重要技术。虽然已有多种SRM算法被提出来解决各种实际问题，但目前还没有针对目标序列规则的研究。有针对性的顺序规则挖掘旨在挖掘用户关注的有趣的顺序规则，从而避免产生其他无效和不必要的规则。该方法可以进一步提高用户分析规则的效率，减少数据资源的消耗。本文给出了目标序列规则的相关定义，阐述了目标序列规则的挖掘问题。此外，我们提出了一个有效的算法，称为有针对性的顺序规则挖掘（TaSRM）。为了提高TaSRM的效率，提出了几种剪枝策略和一种优化方法.最后，在不同的基准测试上进行了大量的实验，并从运行时间、内存消耗、可扩展性以及不同查询规则的查询案例等方面对实验结果进行了分析。结果表明，新算法TaSRM及其变体可以实现更好的实验性能相比，现有的基线算法。
2022-06-09 cs.AI cs.DB
A Subsequence Interleaving Model for Sequential Pattern Mining
University of Edinburgh（爱丁堡大学）
最近的序列模式挖掘方法使用最小描述长度（MDL）原则来定义一种编码方案，该编码方案描述了一种挖掘数据库中最压缩模式的算法。我们提出了一种新的子序列交织模型的基础上的概率模型的序列数据库，它允许我们搜索最压缩的模式集，而无需设计一个特定的编码方案。我们所提出的算法能够有效地挖掘最相关的序列模式，并使用相关的兴趣度度量对它们进行排名。在我们的模型中的有效推理是我们使用的结构性期望最大化框架，其中的期望步骤采取的形式的子模块优化问题的覆盖约束的直接结果。我们在合成和真实世界的数据集上表明，我们的模型挖掘了一组具有低虚假性和冗余性，高可解释性和实用性的序列模式。此外，我们证明了我们的方法的模式的质量是可比的，如果不是更好的话，现有的最先进的序列模式挖掘算法。
2016-11-11 cs.AI cs.LG stat.ML
Autonomous Extraction of a Hierarchical Structure of Tasks in Reinforcement Learning, A Sequential Associate Rule Mining Approach
Northern Arizona University（北亚利桑那大学）；Washington State University（华盛顿州立大学）
强化学习（RL）技术虽然通常很强大，但学习速度较慢，特别是在高维空间中。将任务分解为层次结构具有显著加速学习、泛化和迁移学习的潜力。然而，当前的任务分解技术通常依赖于由专家提供的高级知识（例如，使用动态贝叶斯网络）来提取分层任务结构;这在自治系统中不一定可用。在本文中，我们提出了一种新的方法，顺序关联规则挖掘的基础上，可以提取层次结构的任务在强化学习（SARM-HSTRL）在一个自治的方式为马尔可夫决策过程（MDP）和因子MDP。该方法利用关联规则挖掘发现状态之间的因果关系和时间关系，在不同的轨迹，并提取一个任务层次结构，捕捉这些子目标之间的关系，作为不同的子任务的终止条件。我们证明，提取的分层政策提供了一个层次上最优的政策，在MDPs和因子化MDPs。应该注意的是，SARM-HSTRL在具有单个任务轨迹以及具有多个任务轨迹的场景中提取这种分层最优策略，而无需动态贝叶斯网络。此外，它已被理论和经验表明，提取的分层任务结构是一致的轨迹，并提供了最有效的，可靠的，紧凑的结构在适当的假设。数值计算结果比较了所提出的SARM-HSTRL方法与传统的HRL算法在检测子目标的准确性，提取层次的有效性，以及在几个测试床的学习速度方面的性能。
2018-11-17 cs.AI
On mining complex sequential data by means of FCA and pattern structures
LORIA (CNRS – Inria NGE – U. de Lorraine)（洛林大学、法国国家信息与自动化研究所、法国国家科学研究中心联合计算机研究实验室）；Orange Labs（奥兰治实验室）；National Research University Higher School of Economics（国立研究型高等经济学院）
如今，数据集以非常复杂和异构的方式提供。挖掘这样的数据汇集对于支持从医疗保健到市场营销的许多现实世界的应用是必不可少的。在这项工作中，我们专注于“复杂”的顺序数据的分析，通过有趣的顺序模式。我们使用优雅的数学框架的形式概念分析（FCA）及其扩展的基础上“模式结构”的问题。模式结构用于挖掘复杂数据（如序列或图），并基于包含操作，在我们的情况下，该操作是相对于序列的偏序定义的。我们展示了图案结构以及投影（即，顺序结构的数据简化）能够枚举更有意义的模式并提高该方法的计算效率。最后，我们展示了所提出的方法的适用性，发现和分析有趣的患者模式，从法国的医疗保健数据集癌症。在此用例中报告了定量和定性结果（带有医生的注释和分析），这是这项工作的主要动机。关键词：数据采掘;形式概念分析;模式结构;投影;序列;序列数据。
2015-04-09 cs.AI cs.DB
Mining Weighted Sequential Patterns in Incremental Uncertain Databases
University of Dhaka（达卡大学）；University of Manitoba（曼尼托巴大学）
本文针对增量不确定数据库中的加权序列模式挖掘问题，提出了一种挖掘频繁序列的算法及两种增量挖掘新技术，实验验证了框架的高效性。
2024-03-31 cs.AI cs.DB
Mining Non-Redundant Local Process Models From Sequence Databases
Eindhoven University of Technology（埃因霍温理工大学）；University of Tartu（塔尔图大学）
序列模式挖掘技术从序列数据库中提取对应于频繁序列的模式。这些技术的一个实际局限性是，它们会让用户负担太多的模式。局部过程模型挖掘是过程挖掘领域的一种新的挖掘方法。在传统的序列模式挖掘中，一个模式描述一个子序列，而LPM捕获一组连续性。此外，虽然传统的顺序模式仅匹配在序列数据库中观察到的顺序，但LPM可以捕获未明确观察到的顺序，但与观察到的顺序相关。换句话说，LPM概括了在序列数据库中观察到的行为。这些属性使得一组LPM可以覆盖更大的一组顺序模式的行为。然而，现有的LPM挖掘技术仍然遭受模式爆炸问题，因为它们产生冗余LPM集。在本文中，我们提出了几种算法来挖掘一组非冗余的LPM，无论是从一组冗余的LPM或从一组序列模式。我们根据经验比较他们之间的建议，并对现有的（本地）流程挖掘技术的覆盖率，冗余度和复杂性的生产集的LPM。
2018-09-21 cs.AI cs.DB cs.DS
Using Answer Set Programming for pattern mining
AGROCAMPUS-OUEST/IRISA UMR6074（西部农学院/法国信息与随机系统研究所）；Inria（法国国家信息与自动化研究所）
序列模式挖掘就是从一个唯一的项集序列中提取频繁序列模式。本文探讨了声明性语言，如回答集编程（ASP），有效地解决这个问题的能力。我们提出了几个ASP实现的频繁序列模式挖掘任务：一个非增量和增量的决议。结果表明，增量解析比非增量解析更有效，但两种ASP程序的效率都低于专用算法。尽管如此，这种方法可以被看作是第一步，一个通用的框架，顺序模式挖掘的约束。
2014-09-27 cs.AI cs.DB cs.LO
Efficiency Analysis of ASP Encodings for Sequential Pattern Mining Tasks
AGROCAMPUS-OUEST（西部农业学院）；IRISA-UMR 6074（IRISA-UMR 6074 研究所）；Inria（法国国家信息与自动化研究所）；Inria – Centre de Rennes（法国国家信息与自动化研究所雷恩中心）；Potsdam University（波茨坦大学）
本文介绍了使用回答集编程（ASP）挖掘序列模式。ASP是一种高级说明性逻辑编程范例，用于高级编码、组合和优化问题求解以及知识表示和推理。因此，ASP是实现具有背景知识的模式挖掘的一个很好的候选者，这一直是数据采掘的问题。我们提出了编码的经典序列模式挖掘任务中的两种表示嵌入（填充间隙与跳过间隙）和各种模式：频繁，约束和浓缩。我们比较了这些编码的计算性能，以更好地了解ASP编码的效率。实验结果表明，在实际问题中，填充间隙策略具有更低的内存消耗。最后，相比约束编程方法（CPSM），另一个声明式编程范式，我们的建议表现出相当的性能。
2017-11-14 cs.AI cs.DB stat.ML
Totally-ordered Sequential Rules for Utility Maximization
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
高效用序列模式挖掘（HUSPM）是知识发现和数据分析领域的一项重要而有价值的活动，具有许多实际应用。在某些情况下，HUSPM不能提供一个很好的措施来预测会发生什么。高效用序列规则挖掘（HUSRM）发现高效用和高置信度的序列规则，使其能够解决HUSPM中的问题。现有的HUSRM算法都是为了寻找高效用的偏序序列规则，但这些规则与实际情况并不一致，可能产生虚假的偏序序列规则。因此，在本文中，我们制定的问题，高效用全有序的顺序规则挖掘，并提出了两个新的算法，称为TotalSR和TotalSR+，旨在确定所有高效用全有序的顺序规则（HTSR）。TotalSR创建了一个效用表，可以有效地计算前件支持和效用前缀总和列表，可以在O（1）时间内计算序列的剩余效用。我们还引入了一个左优先扩展策略，可以利用反单调属性使用置信度修剪策略。TotalSR还可以大大减少搜索空间的效用上限修剪策略的帮助下，避免更多的无意义的计算。此外，TotalSR+使用辅助先行记录表来更有效地发现HTSR。最后，在真实数据集和合成数据集上的大量实验结果表明，TotalSR比具有较少修剪策略的算法效率更高，并且TotalSR+在运行时间和可扩展性方面比TotalSR更有效。
2022-09-27 cs.AI
US-Rule: Discovering Utility-driven Sequential Rules
Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
效用驱动挖掘是数据科学中的一项重要任务，在现实生活中有着广泛的应用。高效用序列模式挖掘（HUSPM）是一种效用驱动的挖掘。HUSPM的目标是发现所有具有高实用性的序列模式。然而，现有的HUSPM算法不能提供一个准确的概率来处理一些场景的预测或推荐。高效用序列规则挖掘（HUSRM）旨在发现所有具有高效用和高置信度的序列规则。HUSRM算法目前只有一种，效率不高。在本文中，我们提出了一个更快的算法，称为US规则，有效地挖掘高效用的顺序规则。它利用规则估计效用共生剪枝策略（REUCP），以避免无意义的计算。为了提高密集长序列数据集上的效率，提出了四种更严格的上界（LEEU，REEU，LERSU，RERSU）和相应的剪枝策略（LEEUP，REEUP，LERSU，RERSU）.此外，US-Rule提出了规则估计效用重计算剪枝策略（REURP）来处理稀疏数据集。最后，通过在不同数据集上的大量实验，与现有算法进行了比较，结果表明，US-Rule算法在执行时间、内存消耗和可扩展性等方面都有较好的性能。
2021-11-29 cs.AI cs.DB
Memory-Efficient Sequential Pattern Mining with Hybrid Tries
Warrington College of Business（沃顿商学院）；University of Florida（佛罗里达大学）；Tepper School of Business（泰珀商学院）；Carnegie Mellon University（卡内基梅隆大学）；Rotman School of Management（罗特曼管理学院）；University of Toronto（多伦多大学）
本文提出一种基于混合trie数据结构和相应挖掘算法的内存高效序列模式挖掘方法，有效解决了大型数据集的内存瓶颈，在中小型实例上内存和时间均显著改善，且在256GB内存下唯一可处理大型数据集。
2024-07-27 cs.AI cs.DB cs.DS
Skopus: Mining top-k sequential patterns under leverage
Nanjing University of Information Science and Technology（南京信息工程大学）；Aalto University（阿尔托大学）；Monash University（莫纳什大学）
本文提出了一个在杠杆作用下精确发现top-k序列模式的框架。它结合了（1）序列模式的预期支持度的新定义-大多数兴趣度度量直接依赖的概念-与（2）SkOPUS：一种新的分支定界算法，用于在给定的兴趣度量下精确发现前k个序列模式。我们的兴趣度测量采用分区方法。一个模式之所以有趣，是因为它的出现频率要比通过假设任何一对模式之间的独立性所能解释的要高。与独立性下的期望相比，支持度越大，模式越有趣。我们建立在这两个元素上，以准确地提取具有最高杠杆的k个序列模式，这与我们对预期支持的定义一致。我们对具有已知模式的合成数据和真实世界的数据集进行实验;这两个实验都证实了我们的方法与最新技术水平的一致性和相关性。这篇文章发表在数据采掘和知识发现上，可以在http://dx.doi.org/10.1007/s10618-016-0467-9上访问。
2018-02-05 cs.AI cs.LG stat.ML
Towards Correlated Sequential Rules
Tongji University（同济大学）；Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；Shandong University of Science and Technology（山东科技大学）
高效用序列模式挖掘（HUSPM）的目标是在大量序列中有效地发现有用或有益的序列模式。然而，仅仅意识到实用程序合格的模式是不足以进行预测的。为了弥补这一不足，高效用序列规则挖掘（HUSRM）的目的是探索的信心或概率预测发生的后果序列模式的基础上出现的前提序列模式。它有许多应用，如产品推荐和天气预测。然而，现有的算法，被称为HUSRM，是有限的，以提取所有合格的规则，而忽略了生成的顺序规则之间的相关性。为了解决这个问题，我们提出了一种新的算法，称为相关的高效用顺序规则矿工（CoUSR）的相关性的概念集成到HUSRM。该算法不仅要求每个规则是相关的，而且还要求高效用顺序规则的前件和后件中的模式是相关的。该算法采用实用程序列表结构，避免了多次数据库扫描。此外，还采用了多种剪枝策略来提高算法的效率和性能。基于几个真实世界的数据集，随后的实验表明，CoUSR是有效的和高效的操作时间和内存消耗。
2022-10-27 cs.AI
Mining Message Flows using Recurrent Neural Networks for System-on-Chip Designs
Synopsys（新思科技）；Intel（英特尔）
全面的规范对于片上系统（SoC）设计的整个验证过程中的各种活动至关重要。然而，规范通常是模糊的，不完整的，甚至包含不一致或错误。本文通过开发一种规范挖掘方法来解决这个问题，该方法可以自动从SoC事务级跟踪中提取序列模式，以便挖掘出的模式共同表征SoC设计的系统级规范。这种方法利用利用收集的SoC执行轨迹训练的长短期记忆（LSTM）网络来捕获各种通信事件之间的顺序依赖关系。然后，开发了一种新的算法，从训练的LSTM模型中有效地提取系统级通信的序列模式。还提出了一些跟踪处理技术，以提高挖掘性能。我们评估所提出的方法上的非平凡的多核SoC原型的仿真痕迹。初步结果表明，所提出的方法是能够提取各种模式的系统级规格从高度并发的SoC执行的痕迹。
2020-04-29 cs.AI cs.DC
Incremental Mining of Frequent Serial Episodes Considering Multiple Occurrences
Inria（法国国家信息与自动化研究所）；Carnegie Mellon University（卡内基梅隆大学）；University of Waikato（怀卡托大学）；Telecom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎理工学院）
分析来自流的信息的需要出现在各种应用中。其基本研究方向之一是挖掘数据流上的序列模式。现有的研究多基于事务中模式的存在来挖掘项目序列，而没有考虑项目集序列及其多次出现的情况。然而，在一个窗口的项集流和它们的多次出现的模式，提供了额外的能力来识别模式的基本特征和它们之间的相互关系是无法识别的现有的基于存在的研究。在本文中，我们研究了这样一个新的序列模式挖掘问题，并提出了相应的顺序矿工与新的策略，有效地修剪搜索空间。在真实数据和合成数据上的实验表明了该方法的有效性。
2022-04-09 cs.AI cs.DB
Mining frequency-based sequential trajectory co-clusters
Universidade Federal de Santa Cataina（圣卡塔琳娜联邦大学）
联合聚类是一种特定类型的聚类，它解决了在不考虑所有属性的情况下查找对象组的问题。该技术已被证明在高维稀疏数据中比传统聚类具有更一致的结果。在轨迹共聚类中，文献中发现的方法有两个主要的局限性：第一，空间和时间维度必须由用户定义的阈值约束;第二，元素（轨迹点）被聚类，忽略轨迹序列，假设点之间是独立的。针对上述局限性，提出了一种新的轨迹共聚类方法来挖掘语义轨迹共聚类。它同时将轨迹及其元素聚类，同时考虑它们出现的顺序。这种新方法使用元素频率来识别候选共簇。此外，它使用了一个目标成本函数，自动驱动共聚类过程，避免了约束维度的需要。我们使用真实世界的公开数据集评估所提出的方法。实验结果表明，我们的建议发现频繁和有意义的连续序列揭示流动性模式，从而最相关的元素。
2021-10-27 cs.AI cs.LG
A Knowledge Discovery Framework for Learning Task Models from User Interactions in Intelligent Tutoring Systems
University of Quebec in Montreal（魁北克大学蒙特利尔分校）；Université Lille-Nord de France, Artois（法国里尔-北部大学阿图瓦分校）
领域专家应提供相关的领域知识的智能教学系统（ITS），使它可以指导学习者在解决问题的学习活动。然而，对于许多定义不明确的领域，领域知识很难明确定义。在以前的作品中，我们展示了如何使用序列模式挖掘从记录的用户交互中提取部分问题空间，以及它如何在解决问题的练习中支持辅导服务。本文描述了这种方法的扩展，以提取更丰富，更适合支持辅导服务的问题空间。我们将序列模式挖掘与（1）维度模式挖掘（2）时间间隔，（3）有值动作的自动聚类和（4）闭合序列挖掘相结合。一些辅导服务已经实施，并在一个辅导系统中进行了实验。
2009-01-29 cs.AI
Seqret: Mining Rule Sets from Event Sequences
CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心）；Institute for AI in medicine IKIM（人工智能在医学中的研究所）
Seqret 基于最小描述长度原则，从事件序列中同时挖掘条件与无条件依赖规则，实验证明其能恢复合成数据真实规则并发现真实数据中的有用规则。
2025-05-09 cs.AI
Neighborhood-based Hard Negative Mining for Sequential Recommendation
The Hong Kong Polytechnic University（香港理工大学）；NetEase Inc.（网易公司）
针对序列推荐中负采样忽视结构信息的问题，提出基于邻域重叠的图负采样方法GNNO，利用物品转移图挖掘难负样本并结合课程学习，在三个Amazon数据集上有效提升多种模型性能。
2023-06-12 cs.AI cs.IR
The Algorithms of Updating Sequential Patterns
由于时态数据库中挖掘的数据会随着时间的推移而不断变化，因此时态数据库中频繁序列的增量式挖掘一直是研究的重点。本文提出了一种算法IUS，利用原始数据库中的频繁序列和负边界序列进行增量式序列挖掘。为了处理某些数据需要从原始数据库中更新的情况，我们提出了一种称为DUS的算法来维护更新后的数据库中的序列模式。我们还定义了负边界序列阈值：Min_nbd_supp，以控制负边界中的序列数量。
2002-03-27 cs.AI cs.DB
OPP-Miner: Order-preserving sequential pattern mining
Hebei University of Technology（河北工业大学）；Florida Atlantic University（佛罗里达大西洋大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技明略科学院）；Hefei University of Technology（合肥工业大学）
时间序列是按时间顺序排列的测量值的集合。从时间序列中发现模式在许多领域都很有用，例如股票分析，疾病检测和天气预报。为了发现模式，现有的方法通常将时间序列数据转换为另一种形式，如名义/符号格式，以降低维数，这不可避免地偏离数据值。此外，现有的方法主要忽略了时间序列值之间的顺序关系。为了解决这些问题，受保序匹配的启发，本文提出了一种保序序列模式（Order-Preserving Sequential Pattern，简称Sequential Pattern）挖掘方法，该方法基于时间序列数据的顺序关系来表示模式。这种表示的固有优点是，时间序列的趋势可以由时间序列数据下的值的相对顺序表示。为了获得时间序列中的频繁趋势，我们提出了OPP-Miner算法来挖掘具有相同趋势的模式（具有相同相对顺序的子序列）。OPP-Miner采用过滤和验证策略计算支持度，采用模式融合策略生成候选模式。为了压缩结果集，我们还研究了寻找最大的OPPs。实验证明，OPP-Miner不仅是高效和可扩展的，而且还可以发现时间序列中的相似子序列。此外，案例研究表明，我们的算法在分析COVID-19疫情中具有很高的实用性，通过识别关键趋势和提高聚类性能。
2022-02-09 cs.AI cs.DB
Uncovering Students' Inquiry Patterns in GenAI-Supported Clinical Practice: An Integration of Epistemic Network Analysis and Sequential Pattern Mining
Monash University（墨尔本大学）；University College London（伦敦大学学院）；Peking University（北京大学）
本研究通过整合认知网络分析和序列模式挖掘，揭示学生在GenAI支持下的临床实践中探究模式，发现高绩效者更注重临床相关信息识别，而低绩效者则停留在常规问题验证循环中。
2025-12-04 cs.AI cs.CY
tSPM+; a high-performance algorithm for mining transitive sequential patterns from clinical data
Massachusetts General Hospital（麻省总医院）；University Medical Center Göttingen（哥廷根大学医学中心）；Georg-August-Universität Göttingen（哥廷根大学）；Harvard Medical School（哈佛医学院）；Mass General Brigham（麻省总医院布里格姆医疗系统）
本文提出高性能 tSPM+ 算法，通过在时间模式中增加持续时间维度优化 tSPM，实现最高 980 倍加速与 48 倍内存优化，并提供 Docker 容器与 R 包以集成至机器学习工作流，成功应用于识别 Post COVID-19 患者。
2023-09-08 cs.AI cs.IR cs.LG
Analysing the behaviour of robot teams through relational sequential pattern mining
University of Bari “Aldo Moro”（巴里大学“阿尔多·莫罗”）；Imperial College（帝国理工学院）；IIIA - Artificial Intelligence Research Institute, CSIC - Spanish Council for Scientific Research（西班牙国家研究委员会人工智能研究所（IIIA））
此报告概述了在多代理域中使用关系表示来建模整个系统的行为。在这个系统中，一个理想的属性是团队成员能够以合作的方式一起工作，以实现共同的目标。其目的是定义一个系统的方法来验证一个团队的成员之间的有效合作，并比较不同的多智能体行为。利用多智能体系统的外部观察来分析、建模、识别智能体行为，对于指导团队行动是非常有用的。特别是，这份报告侧重于自主无监督的顺序学习团队的行为从观察的挑战。我们的方法允许学习一个符号序列（关系表示），将动态复杂环境的原始多代理，多变量观察转化为一组序列行为，这些行为是有问题的团队的特征，由一组序列表示，这些序列以一阶逻辑原子表示。我们建议使用关系学习算法挖掘有意义的频繁模式之间的关系序列，以预测团队行为。我们比较了两支球队在RoboCup四足联赛环境中的表现，这两支球队对比赛的态度非常不同。一个使用基于案例的推理方法，另一个使用纯反应行为。
2010-10-29 cs.AI cs.LG cs.MA
Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations
Meta MRS
本研究提出一种轻量级生成式验证器，对检索器候选进行事后重排序，无需重新训练，在多个推荐模型上显著提升 Recall@10。
2026-09-14 cs.AI cs.IR
The Long and the Short of It: Summarising Event Sequences with Serial Episodes
Universiteit Antwerpen（安特卫普大学）
模式挖掘的一个理想结果是一个信息模式的小集合，不包含冗余或噪声，它识别手头数据的关键结构。标准的频繁模式挖掘器无法实现这一目标，因为由于模式爆炸，通常会返回非常大量的高度冗余模式。我们追求理想的顺序数据，采用模式集挖掘方法的方法，而不是排名模式单独，我们认为结果作为一个整体。模式集挖掘已经成功地应用于事务数据，但令人惊讶的是，对序列数据的研究却很少。在本文中，我们采用的MDL原则，以确定一组序列模式，总结数据最好的。特别是，我们形式化如何编码序列数据使用一组连续的情节，并使用编码的长度作为质量分数。作为搜索策略，我们提出了两种方法：第一种算法从一个大的候选集中选择一个好的模式集，而第二种是一个无参数的任何时间算法，挖掘模式集直接从数据。对合成数据和真实数据的实验表明，我们可以有效地发现小的信息模式集。
2019-02-07 cs.AI cs.DS
HUSP-SP: Faster Utility Mining on Sequence Data
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
高效用序列模式挖掘（HUSPM）由于其广泛的应用和相当的普及，已经成为一个重要的研究课题。然而，由于当HUSPM问题遇到低效用阈值或大规模数据时，搜索空间的组合爆炸，解决HUSPM问题可能是耗时和内存开销的。已经提出了几种算法来解决这个问题，但它们在运行时间和内存使用方面仍然花费很多。在本文中，为了进一步有效地解决这个问题，我们设计了一个紧凑的结构称为序列投影（seqPro），并提出了一个有效的算法，即发现高效用的序列模式与seqPro结构（HUSP-SP）。HUSP-SP利用紧凑的序列数组在序列数据库中存储必要的信息。seqPro结构被设计为有效地计算候选模式的效用和上限值。此外，一个新的上限的效用，即更严格的减少序列效用（TRSU）和两个修剪策略，在搜索空间中，被用来提高挖掘性能的HUSP-SP。在合成和真实数据集上的实验结果表明，HUSP-SP可以显着优于国家的最先进的算法在运行时间，内存使用，搜索空间修剪效率和可扩展性。
2022-12-29 cs.AI cs.DB
Dichotomic Pattern Mining with Applications to Intent Prediction from Semi-Structured Clickstream Datasets
AI Center of Excellence, Fidelity Investments（富达投资人工智能卓越中心）
我们引入了一个模式挖掘框架，该框架在半结构化数据集上运行，并利用结果之间的二分法。我们的方法利用约束推理，找到频繁发生的序列模式，并表现出所需的属性。这允许创建新颖的模式嵌入，这对知识提取和预测建模非常有用。最后，我们提出了一个应用程序的客户意图预测从数字点击流数据。总体而言，我们表明，模式嵌入在半结构化数据和机器学习模型之间起着集成者的作用，提高了下游任务的性能，并保持了可解释性。
2022-01-23 cs.AI cs.IR cs.LG
Contrast Pattern Mining: A Survey
Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
对比模式挖掘是数据采掘的一个重要分支。传统的序列模式无法描述不同类别数据之间的对比信息，而涉及对比度概念的对比模式可以描述不同对比度条件下数据集之间的显著差异。基于该领域发表的论文数量，我们发现研究人员对CPM的兴趣仍然很活跃。由于CPM有很多研究问题和研究方法。新进入该领域的研究人员很难在短时间内了解该领域的概况。因此，本文的目的是提供一个最新的全面和结构化的概述对比模式挖掘的研究方向。首先，我们提出了一个深入的了解CPM，包括基本概念，类型，挖掘策略，并评估判别能力的指标。然后根据CPM方法的特点将其分为基于边界的算法、基于树的算法、基于进化模糊系统的算法、基于决策树的算法和其他算法。此外，我们还列举了这些方法的经典算法，并讨论了它们的优缺点。介绍了CPM中的高级主题。最后，我们结束了我们的调查与讨论的挑战和机遇，在这一领域。
2022-09-27 cs.AI cs.DB
Frequent Pattern Mining approach to Image Compression
Department of Computer Engineering, IIITDM Kancheepuram, Tamil Nadu, India（计算机工程系，IIITDM坎切普拉姆，泰米尔纳德邦，印度）
本文提出基于频繁模式挖掘的图像压缩方法，通过聚类和序列挖掘技术提高压缩效率，实现压缩比提升45%并保持图像质量。
2026-01-24 cs.AI cs.CV eess.IV
Efficient Parameter Mining and Freezing for Continual Object Detection
Institute of Mathematics and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学学院）；Eldorado Research Institute（埃尔多拉多研究院）
本文提出高效挖掘并冻结关键网络层参数的方法，以层级参数隔离提升目标检测模型在持续学习中的性能保持能力。
2024-02-20 cs.AI cs.CV
Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using Periodic Patterns Mining
IMT Lille Douai（里尔杜埃国立高等矿业电信学校）；Institut Mines-Télécom（法国国立高等矿业电信学院）；Univ. Lille（里尔大学）
挖掘频繁事件的目的是从时间数据序列中恢复序列模式，然后可以用来预测相关事件的发生。另一方面，以“当X增加/减少时，Y增加/减少”的形式捕获复杂属性的协变的渐进模式在必须处理大量复杂数值数据的许多现实世界应用中发挥重要作用。最近，这些模式已经受到关注的数据采掘社区探索时态数据谁提出的方法来自动提取渐进模式的时态数据。然而，据我们所知，还没有提出任何方法来提取定期出现在相同的时间间隔在许多序列的时间数据的渐进模式，尽管这样的模式可能会增加知识的某些应用程序，如电子商务。在本文中，我们提出从时间数据序列中提取周期性重复属性的协变，我们称之为季节性渐进模式。为此，我们制定的任务，挖掘季节性渐进模式的问题，挖掘周期性模式在多个序列，然后我们利用周期性模式挖掘算法提取季节性渐进模式。我们讨论了这些模式的具体特点，并提出了一种方法，他们的提取基于挖掘周期频繁模式共同的多个序列。我们还提出了一个新的反单调的支持定义与这些季节性的渐进模式。从一些现实世界的数据集得到的说明性的结果表明，该方法是有效的，它可以通过过滤大量的非季节性模式，以确定季节性的提取小的模式集。
2020-10-20 cs.AI cs.LG
An Integer Linear Programming Framework for Mining Constraints from Data
University of California, Los Angeles（加州大学洛杉矶分校）
结构化输出预测问题（例如，顺序标记、分层多类分类）通常涉及对输出标签空间的约束。这些约束与学习模型相互作用，以过滤不可行的解决方案，并促进建立一个负责任的系统。然而，尽管约束很有用，但它们通常基于手工制定的规则。这就提出了一个问题-- \emph{can we mine constraints and rules from data based on a learning algorithm?}在本文中，我们提出了一个从数据中挖掘约束的一般框架。特别是，我们认为在结构化的输出预测推理作为一个整数线性规划（ILP）问题。然后，给定目标函数的系数和相应的解决方案，我们挖掘潜在的约束条件，估计的外部和内部多面体的可行集。我们验证了所提出的约束挖掘算法在各种合成和现实世界中的应用，并证明了所提出的方法成功地识别规模的可行集。特别是，我们表明，我们的方法可以学习解决9 x9数独难题和最小生成树问题的例子，而无需提供的基本规则。我们的算法也可以与一个神经网络模型集成，以学习多标签分类任务的层次标签结构。此外，我们提供了一个理论分析的紧密性的多面体和可靠性的挖掘约束。
2021-06-11 cs.AI cs.LG stat.ML
NegPSpan: efficient extraction of negative sequential patterns with embedding constraints
Agrocampus-Ouest（西部农业高等教育学院）；IRISA（信息与随机系统研究所）；Univ Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）
频繁序列模式挖掘是指在一个大的序列数据集中提取被建模为模式的重复行为。这些模式告诉我们哪些事件在序列中经常被观察到，即真正发生了什么。有时，知道某个特定事件没有发生比提取大量观察到的事件更能提供信息。负序贯模式（NSP）通过包含观察事件和缺席事件的模式来描述重复行为。已经提出了几种方法来开采这样的NSP。此外，不同方法的NSP在句法和语义上存在差异，这使得它们难以进行比较。本文提供了一个统一的框架，制定的句法和语义的NSP。然后，我们介绍了一种新的算法，NegPSpan，提取NSP使用前缀跨度深度优先方案，并启用maxgap约束，其他方法不考虑。正式框架允许突出所提出的方法与文献中的方法之间的差异，特别是与最先进的方法eNSP之间的差异。在合成数据集和真实数据集上进行的大量实验表明，NegPSpan可以提取有意义的NSP，并且由于内存需求显著降低和计算时间缩短，它可以处理比eNSP更大的数据集。
2018-07-25 cs.AI cs.DB cs.DS
