An Improved UP-Growth High Utility Itemset Mining
在大数据集中有效地发现频繁项集是数据采掘的一项重要任务。近年来，人们提出了一些高效用模式的挖掘方法，但这些方法都存在产生大量高效用项目集的候选项目集的问题，并可能在速度和空间方面降低挖掘性能。最近提出的紧凑树结构，即，UP树维护了事务和项集的信息，提高了挖掘性能，避免了对原始数据库的重复扫描。本文采用了实用模式树（UP Tree，Utility Pattern Tree），它只需扫描数据库两次，就可以得到候选项，并以一种高效的数据结构化方式进行管理。将UP树应用于UP增长对于第二阶段需要更多的执行时间。因此，本文提出了改进的算法，旨在通过有效地识别高效用的项目集，以减少执行时间。
2012-12-03 cs.DB
Targeted Mining of Top-k High Utility Itemsets
发现数据中的高重要性模式是一个新兴的数据采掘任务，称为高效用项集挖掘（HUIM）。给定一个最小效用阈值，HUIM算法提取所有效用值不小于该阈值的高效用项集。这可以揭示大量有用的信息，但没有很好地考虑到用户的确切需求。特别是，用户通常希望关注具有某些特定项的模式，而不是查找所有模式。为了克服这一困难，出现了有针对性的挖掘，重点是用户的偏好，但只进行了初步工作。例如，提出了目标高效用项集查询算法（TargetUM），该算法使用字典树来查询包含目标模式的项集。然而，当用户不熟悉所处理的数据库时，选择最小效用阈值是困难的。作为解决方案，本文提出了top-k高效用项集的目标挖掘任务，并在TargetUM算法的基础上提出了一种高效的top-k目标高效用项集（top-k THUIs）挖掘算法TMKU。同时，采用多种剪枝策略来减少内存消耗和执行时间。大量的实验表明，所提出的TMKU算法在真实和合成数据集上具有良好的性能。
2023-03-25 cs.DB
An Algorithm for Mining High Utility Closed Itemsets and Generators
传统的关联规则挖掘基于支持度-置信度框架，提供了用户感兴趣的规则的客观度量。然而，它并没有反映出规则的效用。在支持度-置信度框架下提取非冗余关联规则，频繁闭项集及其生成器起着重要的作用。为了提取高效用项集之间的非冗余关联规则，需要提取高效用闭项集（HUCI）及其生成元，以便应用传统的支持度-置信度框架。然而，目前还没有有效的方法来开采HUCI及其发电机。本文探讨了这一问题。一个后处理算法，称为HUCI-Miner，提出了挖掘HUCI与他们的发电机。所提出的算法是使用合成和真实的数据集。
2014-10-11 cs.DB
FUIM: Fuzzy Utility Itemset Mining
模糊数据采掘由于其实用性和可理解性，近年来得到了广泛的研究，是一个新兴的课题。与效用驱动的项集挖掘技术相比，模糊效用挖掘不仅需要效用（例如，利润），但也考虑在发现高模糊效用项目集（HFUI）的每个交易中的项目的数量。因此，模糊度可以作为选择高效用项集的一个关键标准，而现有的算法效率不够。本文提出了一种有效的单阶段算法模糊驱动的效用项集挖掘器（FUIM），以有效地找到一个完整的集HFUI。此外，一种新的紧凑的数据结构称为模糊表保持定量交易数据库的关键信息。FUIM使用模糊列表，可以从事务数据库中高效地发现HFUI。通过五个定理证明了FUIM算法的完备性和正确性。最后，大量的实验测试三个方面（运行时成本，内存消耗和可扩展性），以确认FUIM大大优于国家的最先进的算法。
2021-10-30 cs.DB
Discovering High Utility Episodes in Sequences
序列数据，例如，复杂事件序列，比其它类型的数据（例如，交易数据）在现实世界中的应用。对于序列数据的挖掘任务，已经制定了几个问题，如序列模式挖掘，情节挖掘和序列规则挖掘。情节挖掘作为最基本的问题之一，经常被研究。普遍的看法是，发现频繁发作是不够有用的。在本文中，我们提出了一个有效的效用挖掘方法，即UMEpi：效用挖掘的高效用Epperiment从复杂的事件序列。我们提出的概念，剩余效用的情节，并实现了更严格的上限，即情节加权利用率（EWU），这将提供更好的修剪。因此，优化后的基于EWU的剪枝策略可以更好地提高挖掘效率。UMEpi的搜索空间w.r.t.通过以深度优先的方式进行前缀生成，递归地生成和确定基于前缀的词典序列树，以挖掘高效用情节。最后，在四个真实数据集上的实验表明，UMEpi算法能够从复杂事件序列中发现完整的高效用事件集，而现有算法不能返回正确的结果。此外，改进的UMEpi变体在执行时间、内存消耗和可伸缩性方面明显优于基线。
2019-12-25 cs.DB
Privacy Preserving Utility Mining: A Survey
在大数据时代，收集的数据通常包含丰富的信息和隐藏的知识。面向实用程序的模式挖掘和分析已经显示出强大的能力来探索这些无处不在的数据，这些数据可以从各个领域和应用中收集，例如购物篮分析，零售，点击流分析，医学分析和生物信息学。然而，对这些具有敏感私人信息的数据进行分析会引起隐私问题。为了在效用最大化和隐私保护之间取得更好的平衡，隐私保护效用挖掘（PPUM）成为近年来的一个重要问题。在本文中，我们提供了一个全面的概述PPUM。本文首先介绍了效用挖掘、隐私保护数据采掘和PPUM的背景，然后介绍了PPUM的相关概念、问题表述以及PPUM的一些关键评价标准。特别是，我们提出并讨论了目前国家的最先进的PPUM算法，以及它们的优点和不足之处的详细信息。最后，我们强调并讨论了一些技术挑战和开放的方向，为未来的研究PPUM。
2018-11-18 cs.DB
Utility-Driven Mining of Trend Information for Intelligent System
嵌入数据库中的有用知识可能会随着时间的推移而改变。确定时态数据库中最近的变化可以为决策者提供有价值的最新信息。然而，挖掘高效用模式（HUP）的技术很少考虑新近度作为发现模式的标准。因此，传统的效用挖掘框架不足以获得关于真实世界数据的最新见解。在本文中，我们解决这个问题，通过引入一个新的框架，命名为效用驱动挖掘最近/趋势高效用模式（RUP）在时态数据库的智能系统，基于用户指定的最小最近和最小效用阈值。效用驱动的RUP算法基于新的全局和条件向下闭包属性，以及最近效用树。此外，它采用了一个垂直紧凑的最近-效用列表结构来存储挖掘过程所需的信息。开发的RUP算法递归地发现最近的HUP。由于其模式发现方法不生成候选项，因此它的速度也很快，并且消耗少量内存。另外还设计了两种改进的剪枝算法，通过减少搜索空间来加快模式的发现。大量的实验结果表明，该算法可以有效地识别所有最近的高效用模式在大规模数据库中，改进的算法性能最好。
2019-12-25 cs.DB
Correlated Utility-based Pattern Mining
在数据采掘和分析领域，经济学中的效用理论可以在许多实际应用中带来好处。近十年来，一个新兴的研究领域--面向公用事业的采矿已经引起了人们的极大关注。然而，以往的研究有局限性，他们很少考虑项目之间的内在相关性的模式。考虑消费者的购买行为，一个高效用的产品组（w.r.t.多产品）可以包含几个非常高效用的产品和一些低效用的产品。然而，它被认为是一个有价值的模式，即使这种行为/模式可能不是高度相关的，甚至是偶然发生的。在本文中，针对这些挑战，我们提出了一种有效的效用挖掘方法，即非冗余相关高效用模式矿工（CoUPM），考虑到正相关性和盈利价值。具有高实用性和强正相关性的衍生模式可以比那些仅具有高利润价值的模式带来更有洞察力的可用性。对效用表结构进行了改进，使其既能存储相关性信息，又能存储效用信息。几个修剪策略进一步发展，以提高效率，发现所需的模式。实验结果表明，非冗余相关的高效用模式比其他类型的有趣模式具有更高的有效性。此外，所提出的CoUPM算法的效率显着优于国家的最先进的算法。
2019-04-28 cs.DB
An efficient mining scheme for high utility itemsets
针对现有高效用项集挖掘算法时间与内存开销高的问题，本文提出基于残差映射数据结构的R-Miner算法，实验证明其性能优于现有最先进算法。
2022-04-12 cs.DB
High-utility Sequential Rule Mining Utilizing Segmentation Guided by Confidence
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）
本研究提出RSC算法，通过信心引导的分段减少冗余效用计算，提升高效用序列规则挖掘效率。
2026-01-27 cs.DB
A Survey of Utility-Oriented Pattern Mining
数据采掘和分析的主要目的是发现新的、潜在有用的模式，这些模式可以在现实世界的应用程序中使用，以获得有益的知识。为了识别和评估不同种类的模式的有用性，已经提出了许多技术和约束，例如支持度、置信度、序列顺序和效用参数（例如，重量、价格、利润、数量、满意度等）。近年来，人们对面向效用的模式挖掘（UPM，或称为效用挖掘）的需求越来越大。UPM是一项重要的任务，拥有众多高影响力的应用，包括交叉营销，电子商务，金融，医疗和生物医学应用。本调查旨在对芬欧汇川最先进的方法进行全面、全面和结构化的概述。首先，我们将介绍对UPM的深入理解，包括概念，示例以及与相关概念的比较。详细介绍了挖掘不同类型的高效用模式的最常见和最先进的方法的分类，包括基于Apriori的，基于树的，基于投影的，垂直/水平数据格式的，和其他混合的方法。对现有的高实用模式挖掘技术的高级主题进行了全面的回顾，并讨论了它们的优缺点。最后，我们提出了几个著名的UPM开源软件包。最后，我们讨论了这一领域的公开和实际挑战。
2019-09-16 cs.DB
High-utility itemset mining for subadditive monotone utility functions
高效用项集挖掘（HUIM）从事务数据库中发现效用不小于用户定义阈值的项集，其中项集的效用被定义为项的效用之和。在本文中，我们将这一概念推广到效用函数，而不必是单个效用的简单总和。特别是，我们研究广义效用函数是次加性和单调（SM）。我们还描述了一个新的功能，使我们能够包括外部信息的关系图的形式计算效用。接下来，我们专注于SM效用函数的HUIM问题的算法。我们注意到，现有的HUIM算法使用像“交易加权效用”和“精确效用，剩余效用”的上限进行有效的搜索空间探索。我们推导出类似的和更严格的上界SM效用函数。我们设计了一个新的倒排表数据结构SMI-list和一个新的算法SM-Miner来挖掘SM函数的用户界面。我们解释如何现有的基于树和基于投影的HUIM算法可以适应使用这些界限。我们实验比较适应一些最新的HUIM算法，并指出一些注意事项，应牢记在处理效用函数，允许领域知识与交易数据库的集成。
2020-05-10 cs.DB
THUE: Discovering Top-K High Utility Episodes
从事件中发现情节是数据采掘任务的流行框架，并且具有许多实际应用。情节是部分有序的对象集合（例如，项、节点），并且每个对象与事件类型相关联。这一事件也可以被认为是一个复杂的事件子序列。高效用情节挖掘是现实世界中一个有趣的效用驱动的挖掘任务。传统的情节挖掘算法通过设置阈值，通常返回一个巨大的情节，既不直观，也不节省时间。通常，在模式挖掘算法中找到合适的阈值是一项琐碎且耗时的任务。在本文中，我们提出了一种新的算法，称为Top-K高效用情节（THUE）挖掘复杂的事件序列，重新定义以前的挖掘任务，通过获得K个最高的情节。我们引入了几种阈值提高策略，并优化了情节加权利用率上界，以加快挖掘过程，有效地降低内存成本。最后，在真实数据集和人工数据集上的实验结果表明，THUE算法的运行时间性能比现有算法提高了6 ~ 8个数量级，并且具有较低的内存消耗.
2021-06-28 cs.DB
Dual Pruning and Sorting-Free Overestimation for Average-Utility Sequential Pattern Mining
School of Cyberspace Security, Hainan University（海南大学网络空间安全学院）；School of Cryptology, Hainan University（海南大学密码学院）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；College of Cyber Security, Jinan University（暨南大学网络安全学院）
本文提出HAUSP-PG算法，通过双重剪枝策略和无排序计算平均效用上界，提升长序列挖掘效率。
2025-12-20 cs.DB
Cross-level Privacy Preserving Utility Mining
Jinan University（暨南大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出跨层级隐私保护效用挖掘方法，通过三种算法保护泛化项，设计GI-dic字典加速计算，实验证明其在稀疏数据集和低阈值情况下表现优异。
2026-04-28 cs.DB
UPER: Efficient Utility-driven Partially-ordered Episode Rule Mining
College of Cyber Security, Jinan University（暨南大学网络安全学院）；Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系）
本文提出UPER算法，用于高效挖掘高效用的部分有序事件规则，通过定义效用度量和剪枝策略提升挖掘效率。
2026-02-07 cs.DB
A comparative study of top-k high utility itemset mining methods
高效用项集（HUI）挖掘问题是数据采掘领域的重要问题之一。这个问题提供了更大的灵活性，决策者将她/他的概念的效用模式挖掘过程。然而，这个问题需要决策者选择一个最小的效用阈值来发现有趣的模式。由于不同的项集特征及其效用分布，这是相当具有挑战性的。为了解决这个问题，Top-K高效用项目集（THUI）挖掘问题在文献中被引入。THUI挖掘问题主要是HUI挖掘问题的一个变体，它允许决策者指定所需的HUI数量，而不是最小效用阈值。在文献中已经引入了几种算法来有效地挖掘前k个HUI。本文系统地分析了文献中的top-k HUI挖掘方法，对方法进行了描述，并进行了比较分析。本文还介绍和分析了高效top-k HUI挖掘所采用的数据结构、阈值提高策略和剪枝策略。此外，本文回顾了top-k HUI挖掘问题的几个扩展，如数据流挖掘，序列模式挖掘和货架效用挖掘。本文可能有助于研究人员研究top-k HUI挖掘的关键方法，评估文献中的空白，探索新的研究机会，并提高高效用模式挖掘的最新水平。
2018-09-04 cs.DB cs.DS
Incremental high average-utility itemset mining: survey and challenges
本文综述了增量式高效用平均项集挖掘（iHAUIM）算法，分类分析其关键技术（Apriori、树、效用列表）及优缺点，并探讨未来研究方向。
2024-07-16 cs.DB
Efficient Mining of Low-Utility Sequential Patterns
School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机学院）；College of Cyber Security, Jinan University（暨南大学网络空间安全学院）；Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系）
本文提出低效用序列模式挖掘问题，重新定义序列效用并引入序列效用链数据结构，提出LUSPM_b、LUSPM_s和LUSPM_e三种算法，通过收缩和扩展操作生成子序列，结合多重剪枝策略提升效率，实验表明LUSPM_e在运行时间和内存消耗上表现更优。
2026-04-26 cs.DB
TKUS: Mining Top-K High-Utility Sequential Patterns
高效用序列模式挖掘（HUSPM）是近年来的一个研究热点。HUSPM的主要任务是在一个定量的序列数据库中找到所有具有高效用的连续性，这些连续性相对于用户定义的最小效用阈值具有高效用。然而，很难指定最低效用阈值，特别是当数据库功能（在大多数情况下是不可见的）不被理解时。为了解决这个问题，top-k HUSPM被提出。到目前为止，只进行了非常初步的工作，以捕捉前k HUSP，现有的策略需要改进的运行时间，内存消耗，没有前途的候选人过滤，和可扩展性。此外，没有系统的问题说明。在本文中，我们制定的top-k HUSPM的问题，并提出了一种新的算法称为TKUS。为了提高效率，TKUS采用了投影和局部搜索机制，并采用了几种方案，包括序列效用提升，提前终止后代和消除不希望的项目策略，这使得它能够大大减少搜索空间。实验结果表明，TKUS算法与现有的TKHUS-Span算法相比，具有足够好的top-k HUSPM性能.
2020-11-26 cs.DB
Utility Mining Across Multi-Dimensional Sequences
从数据库中提取知识是数据库和数据采掘领域的一项基本任务，在实际应用中有着广泛的应用。与基于支持的挖掘模型不同，面向效用的挖掘框架集成了效用理论，提供了更多的信息和有用的模式。时变序列数据在现实生活中很常见。序列数据已经被广泛地应用于许多应用中，例如分析Web上的序列用户行为、影响力最大化、路线规划和有针对性的营销。不幸的是，所有现有算法都忽视了这样一个事实：处理后的数据不仅包含丰富的特征（例如，发生数量、风险、利润等），而且还可以与多维辅助信息相关联，例如，交易序列可以与购买者简档信息相关联。在本文中，我们首先制定了跨多维序列的效用挖掘问题，并提出了一个新的框架命名为MDUS提取多维效用导向的序列有用模式。提出了两种求解该问题的算法MDUS_EM和MDUS_SD。前一种算法基于数据库转换，后一种算法执行模式连接和搜索方法来识别多维序列中的期望模式。在5个真实数据集和1个人工数据集上进行了大量的实验，实验结果表明该算法能够有效地从多维序列数据库中发现有用的知识。此外，MDUS框架可以提供更好的洞察力，并且它比当前现有的模型更适合于现实生活中的情况。
2019-02-25 cs.DB
ProUM: Projection-based Utility Mining on Sequence Data
效用是经济学中的一个重要概念。在现实生活中，各种各样的应用程序都考虑了效用，这导致了近十年来面向效用的挖掘（也称为效用挖掘）的出现。效用挖掘已经引起了人们的极大关注，但现有的大多数研究都是针对基于项目集的数据进行的。时间序列数据在现实世界中更常见，这与基于项集的数据不同。现有的效用挖掘算法在处理序列数据时，由于耗时和占用大量内存，仍存在一定的局限性。此外，效用挖掘在序列数据上的挖掘效率仍有待提高，特别是对于长序列或存在较低的最小效用阈值时。在本文中，我们提出了一个有效的基于投影的效用挖掘（ProUM）的方法来发现高效用的序列模式从序列数据。效用数组结构被设计用于存储序列顺序和效用的必要信息。ProUM利用投影技术生成效用数组，可以显著提高挖掘效率，并有效降低内存消耗。提出了一个新的序列扩展效用上界，并进一步应用了几种剪枝策略来提高ProUM的效率。通过引入效用理论，得到的高效用序列模式比其他类型的模式具有更深刻、更有趣的信息。实验结果表明，所提出的ProUM算法在执行时间、内存使用和可扩展性方面都明显优于现有算法。
2019-09-12 cs.DB cs.DS
Discovering High-utility Sequential Rules with Increasing Utility Ratio
College of Cyber Security, Jinan University（暨南大学网络空间安全学院）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出SRIU算法，通过递增效用比挖掘高效用序列规则，结合左-右和右-左扩展方法及优化策略提升效率和结果相关性。
2026-01-27 cs.DB
HUOPM: High Utility Occupancy Pattern Mining
从各种类型的数据库中挖掘有用的模式是一个重要的研究课题，它有许多实际应用。大多数研究认为频率作为识别高质量模式的唯一兴趣度量。然而，每个对象在性质上是不同的。就效用、风险或利益等标准而言，对象的相对重要性是不相等的。此外，频繁模式的另一个限制是它们通常具有低占用率，即，它们通常表示包含许多项目的交易中的项目的小集合，因此可能不能真正表示这些交易。为了在现实生活中提取高质量的模式，本文扩展了占用率的措施，也评估事务数据库中的模式的效用。我们提出了一个有效的算法命名为高效用占用模式挖掘（HUOPM）。它考虑了用户在频率，效用和占用方面的偏好。设计了一种新的频率效用树（FU树）和两种紧凑的数据结构，称为效用占用表和FU表，以提供全局和部分向下闭合特性来修剪搜索空间。该方法不需要产生候选模式，就能有效地发现高质量的模式集。在多个数据集上进行了大量的实验，以评估所提出的算法的有效性和效率。实验结果表明，所得到的模式是可理解的、合理的和可接受的，HUOPM及其剪枝策略在运行时间和搜索空间方面分别优于最先进的算法.
2018-12-28 cs.DB
Utility-driven Mining of Contiguous Sequences
最近，连续序列模式挖掘（CSPM）作为一个研究课题，由于其各种潜在的现实世界中的应用，如Web日志和生物序列分析的兴趣。到目前为止，对CSPM问题的研究仍处于初步阶段。现有的CSPM算法效率不高，无法满足用户的需求，在运行时间和内存消耗方面还有待改进。此外，现有的算法被开发来处理简单的序列数据，一次只处理一个事件。复杂的序列数据表示同时发生的多个事件，在现实生活中也经常观察到。在本文中，我们提出了一种新的算法，快速效用驱动的连续序列模式挖掘（FUCPM），以解决CSPM问题。FUCPM采用紧凑的序列信息表和实例链结构来存储数据库和候选模式的必要信息。为了进一步提高效率，我们开发了全局无效项修剪和局部无效项修剪策略，基于序列加权利用率和项扩展利用率，以减少搜索空间。在真实世界和合成数据集上的大量实验表明，FUCPM优于最先进的算法，并且具有足够的可扩展性来处理复杂的序列数据。
2021-10-30 cs.DB
Utility-based Privacy Preserving Data Mining
本文针对周期性模式挖掘中的隐私保护问题，扩展PPUM框架并提出MU-MAP和MU-MIP两种算法，通过SISL和SIL数据结构高效隐藏敏感周期性高效用项集，实验证明其在不引入误导性模式的同时保持超过90%的数据库效用相似度。
2025-09-19 cs.DB
An Efficient Data Structure for Fast Mining High Utility Itemsets
在本文中，我们提出了一种新的数据结构称为PUN-list，它既保持了项目集的效用信息和效用上界，以方便挖掘高效用项目集的处理。基于PUN-Lists，提出了一种快速挖掘高效用项集的方法MIP（Mining high utility Itemset using PUN-Lists）。MIP的效率是通过三种技术来实现的。首先，项目集由一种高度压缩的数据结构PUN-列表表示，避免了代价高昂的重复效用计算。其次，通过扫描项集的PUN-列表可以有效地计算项集的效用，并且通过短项集的PUN-列表可以快速构造长项集的PUN-列表。第三，通过采用效用上界躺在PUN列表作为修剪策略，MIP直接发现高效用项目集的搜索空间，称为集合枚举树，而不产生大量的候选人。在各种合成数据集和真实数据集上的大量实验表明，PUN-list是非常有效的，因为MIP比最近报道的算法平均快至少一个数量级。
2015-10-08 cs.DB cs.DS
Mining compact high utility sequential patterns
高效用序列模式挖掘（HUSPM）旨在挖掘序列数据集中所有产生高效用（利润）的模式。HUSPM对于多个应用程序非常有用，例如购物篮分析，市场营销和网站点击流分析。在这些应用中，用户还可以考虑数据集中频繁出现的高效用模式，以获得更丰富的信息。然而，该任务是高计算，因为算法可能生成可能是冗余的或低重要性的组合爆炸数量的候选者。为了降低挖掘复杂度，获得紧凑的频繁高效用序列模式集，提出了一种挖掘封闭频繁高效用序列模式集的算法CHUSP。这样的模式保持了简洁的表示，同时保留了完整的FHUSP集的相同的表达能力。所提出的算法依赖于CHUS数据结构来维护挖掘过程中的信息。它使用三种剪枝策略来消除早期的低效用和非频繁模式，从而减少了搜索空间。在六个真实数据集上进行了广泛的实验评估，以评估CHUSP在执行时间，内存使用和生成模式数量方面的性能。实验结果表明，CHUSP可以有效地发现在不同的用户自定义阈值的紧凑集的CHUSP。
2023-02-22 cs.DB cs.IR
A one-phase tree-based algorithm for mining high-utility itemsets from a transaction database
高效用项集挖掘从事务数据库中发现效用不低于用户定义的固定阈值的项集。项集的效用被定义为其项的效用之和。提出了几种挖掘高效用项集的算法。然而，没有最先进的算法在密集和稀疏数据集上表现一致。在本文中，我们提出了一种新的数据结构称为Utility-Tree，和基于树的算法称为UT-Miner，挖掘高效用项目集在一个阶段，而不产生任何候选人，并使用一个轻量级的建设方法，以减少成本创建投影数据库在搜索空间探索。该算法将事务信息与效用树的每一个节点存储在一起，并在递归调用过程中有效地计算事务信息。在几个真实的密集和稀疏数据集上的实验结果表明，UT-Miner是跨不同数据集的最佳高效算法之一。
2019-11-17 cs.DB cs.DS
Fast Utility Mining on Complex Sequences
高效用序列模式挖掘是数据库知识发现领域的一个新兴课题。它包括发现序列中具有高效用（重要性）的序列，称为高效用序列模式（HUSP）。HUSPs可以应用于购物篮分析、电子商务推荐、点击流分析、景区路线规划等实际应用中。例如，在经济学和目标营销中，理解消费者的经济行为是相当具有挑战性的，例如找到关于产品盈利能力的可信和可靠的信息。已经提出了几种算法来解决这个问题，有效地挖掘基于效用的有用的序列模式。然而，这些算法的性能可能是不令人满意的运行时间和内存使用方面，由于组合爆炸的搜索空间低效用阈值和大型数据库。因此，本文提出了一个更有效的算法的任务，高效用的序列模式挖掘，称为HUSP-BLOG。它利用一个字典序列（LS）树和一个实用链接（UL）列表结构，以快速发现HUSP。此外，在HUSP-SVM中引入了两种剪枝策略，以获得候选序列效用的严格上界，并通过早期剪枝不希望的候选序列来减少搜索空间。在真实数据集和人工数据集上的大量实验表明，该算法能够有效地发现HUSP的完整集合，性能优于现有算法.
2019-04-28 cs.DB cs.DS
TargetUM: Targeted High-Utility Itemset Querying
Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）
传统的高效用项集挖掘（HUIM）旨在确定事务数据库中所有满足最小效用阈值（\textit{minUtil}）的高效用项集（HUI）。然而，在大多数应用程序中，并不是所有的UI都是有趣的，因为只需要特定的部分。因此，基于用户偏好的目标挖掘比传统的挖掘任务更重要。本文首次提出了一个基于目标的HUIM问题，并在定量交易数据库中提供了一个明确的目标效用挖掘任务。提出了一种基于树的高效用目标查询算法TargetUM。该算法使用一棵字典式查询树和三种有效的剪枝策略来提高挖掘效率。我们在几个真实数据库和合成数据库上进行了实验验证，结果表明，\textbf{TargetUM}的性能是令人满意的，完整的，正确的。最后，由于字典查询树，数据库不再需要重复扫描多个查询。
2021-10-30 cs.AI cs.DB
Efficient Data Perturbation for Privacy Preserving and Accurate Data Stream Mining
物联网（IoT）的广泛使用引发了许多担忧，包括私人信息的保护。现有的隐私保护方法不能很好地平衡数据的实用性和隐私性，并且在效率和可扩展性方面也存在问题。提出了一种有效的数据流扰动方法（$P^2RoCAl$）。$P^2RoCAl$提供了更好的数据效用比类似的方法：$P^2RoCAl$扰动数据流的分类精度非常接近的原始数据流。$P^2RoCAl$还提供了更高的抵御数据重构攻击的能力。
2018-06-19 cs.DB
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
A Projected Upper Bound for Mining High Utility Patterns from Interval-Based Event Sequences
University of Regina（里贾纳大学）
针对基于区间的事件序列中高效用模式挖掘效率不足的问题，提出一个投影上界，并被HUIPMiner算法的剪枝策略利用，实验证明其在执行时间和内存使用上均提升了性能。
2022-12-21 cs.AI cs.DB
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
Temporal Fuzzy Utility Maximization with Remaining Measure
Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）；Pazhou Lab（琶洲实验室）
高效用项集挖掘方法从大量时态数据中发现隐藏模式。然而，高效用项集挖掘不可避免的一个问题是，其发现的结果隐藏了大量的模式，导致可解释性差。结果只反映了消费者的购物倾向，无法帮助决策者量化收集到的信息。从语言学的角度来说，计算机使用的是精确形式化的数学或程序设计语言，但人类使用的语言总是模棱两可的。在本文中，我们提出了一种新的单阶段时间模糊效用项集挖掘方法TFUM。它修改时间模糊列表，以保持较少的，但主要的信息，潜在的高时间模糊效用项目集在内存中，然后发现一个完整的一组真正有趣的模式在很短的时间。特别地，本文首次将剩余测度应用于时态模糊效用项集挖掘领域。剩余的最大时间模糊效用是一个更紧密和更强的上限比以前的研究所采用的。因此，它在TFUM中的搜索空间修剪中起着重要的作用。最后，我们还评估了TFUM在各种数据集上的效率和有效性。大量的实验结果表明，TFUM优于国家的最先进的算法在运行时成本，内存使用和可扩展性。此外，实验证明，剩余措施可以显着修剪不必要的候选人在挖掘过程中。
2022-08-26 cs.AI cs.DB
Flexible Pattern Discovery and Analysis
Shandong University of Science and Technology（山东科技大学）；Jinan University（暨南大学）
基于对数据采掘中支持事务中效用所占比例的分析，高效用占用模式挖掘（highutility-occupationalpattern mining，HUOPM）近年来引起了广泛关注。不像高效用模式挖掘（HUPM），它涉及高效用的枚举（例如，盈利）模式，HUOPM的目标是找到代表现有交易集合的模式。然而，在实际应用中，并非所有模式都被使用或有价值。例如，一个模式可能包含太多的项目，也就是说，该模式可能过于具体，因此对现实生活中的用户缺乏价值。为了获得具有灵活长度的合格模式，我们在挖掘过程中限制最小和最大长度，并引入一种新的算法来挖掘灵活的高效用占用模式。我们的算法被称为HUOPM+。为了保证模式的灵活性和收紧效用占用的上界，提出了一种称为长度上界（LUB）的策略来修剪搜索空间。此外，一个效用占用嵌套列表（UO-nlist）和频率效用占用表（FUO-表），以避免多次扫描的数据库。后续实验的评价结果证实，该算法可以有效地控制衍生模式的长度，为现实世界和合成数据集。此外，它可以减少执行时间和内存消耗。
2021-11-24 cs.AI cs.DB
TOPIC: Top-k High-Utility Itemset Discovering
效用驱动的项集挖掘在现实世界中有着广泛的应用。然而，大多数算法不适用于具有负效用的项集。针对具有负效用的高效用项集（HUI）挖掘，已经提出了几种有效的算法。这些算法可以找到完整的HUI有或没有负效用。然而，这些算法的主要问题是如何选择一个合适的最小效用（minUtil）阈值。为了解决这个问题，已经提出了一些用于提取前k个HUI的有效算法，其中参数k是要发现的HUI的数量。然而，所有这些算法都只能解决上述问题的一部分。在本文中，我们提出了一种方法TOP-k高效用项目集发现（TOPIC）的正负效用值，它利用上述算法的优点。TOPIC采用事务合并和数据库投影技术降低数据库扫描开销，并采用minUtil阈值提高策略。它还使用了基于数组的效用技术，该技术在线性时间内计算项集和上界的效用。我们在几个真实和合成数据集上进行了广泛的实验，结果表明，TOPIC在运行时间，内存成本和可扩展性方面优于最先进的算法。
2021-06-28 cs.DB
Utility-driven Data Analytics on Uncertain Data
现代物联网（IoT）应用程序生成大量数据，其中大部分以读数、事件和日志条目的对象/项目的形式存在。具体而言，这些物联网数据中的大多数对象都包含丰富的嵌入式信息（例如，频率和不确定性）和不同的重要性级别（例如，项目的单位效用、兴趣度、成本、风险或权重）。数据采掘和分析中的许多现有方法具有局限性，诸如在事务内仅考虑二进制属性，以及具有相等权重或重要性的所有对象/项。为了解决这些问题，提出了一种效用驱动的数据分析算法HUPNU，该算法从不确定数据中同时考虑正效用和负效用来提取高效用模式。该方法可以有效地发现合格的高效用模式，用于风险预测、生产管理、决策等。通过使用开发的垂直概率-效用表与正负效用结构，以及几个有效的修剪策略。实验结果表明，改进的HUPNU方法能够高效地挖掘出合格模式。
2019-02-25 cs.DB
Activity Modeling in Smart Home using High Utility Pattern Mining over Data Streams
Anna University（安纳大学）；Sri Venkateswara College of Engineering（斯里文卡特斯瓦拉工程学院）
灵巧家庭技术是人们在关心安全、舒适和节能的同时更好的选择。需要开发能够识别家中居民日常生活活动（ADL）并检测个人模式中异常行为的技术。利用频繁模式挖掘（FPM）、高效用模式挖掘（HUP）等数据采掘技术从采集的传感器数据中发现这些活动模式。但是将上述技术应用于从时间传感器数据流进行活动识别是高度复杂且具有挑战性的任务。为此，提出了一种基于频繁模式流树（FPS - tree）的传感器数据流活动识别方法。FPS是一种基于滑动窗口的方法，用于从数据流中发现最近的活动模式。所提出的工作的目的是在识别频繁的模式，用户从传感器数据流，后来建模为活动识别。FPM算法使用一种称为链接传感器数据流（Linked Sensor Data Stream，LSDS）的数据结构来存储传感器数据流信息，从空间和时间两个方面提高了频繁模式挖掘算法的效率。实验结果表明，该算法的效率和该FPM进一步扩展到应用功率效率使用HUP检测高使用的电力消耗的居民在灵巧家庭。
2013-06-25 cs.AI cs.DB
CSHURI - Modified HURI algorithm for Customer Segmentation and Transaction Profitability
关联规则挖掘（ARM）是根据客户购买的商品之间的相关性生成规则的过程。最近，数据采掘研究人员通过将价值（效用）、销售商品的数量（重量）和利润等因素结合起来，提高了关联规则挖掘的质量。在挖掘规则时不考虑规则的效用值（利润率），可能会导致规则的损失。顾客需求信息和规则的丰富性的优势帮助零售商设计他的商店布局[9]。提出了一种算法CSHURI，使用HURI的客户细分，HURI的修改版本[6]，找到购买高利润稀有物品的客户，并根据一些标准对客户进行相应的分类;例如，零售业务可能需要识别对公司整体利润有主要贡献的有价值客户。对于一个到店的潜在客户，根据客户的需求，应该属于哪个客户群体，客户关注的首选功能特点或产品是什么，什么样的优惠会让客户满意等等，找到了锁定客户以提高销售的关键[9]，这构成了客户效用挖掘的基础。
2012-05-08 cs.DB
Towards Target High-Utility Itemsets
Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）；Shenzhen University（深圳大学）
对于应用智能，实用程序驱动的模式发现算法可以识别数据库中有见地和有用的模式。然而，在这些用于模式发现的技术中，模式的数量可能是巨大的，并且用户通常仅对那些模式中的少数模式感兴趣。因此，有针对性的高效用项集挖掘已成为一个关键的研究课题，其目的是找到一个子集的模式，满足有针对性的模式约束，而不是所有的模式。这是一项具有挑战性的任务，因为在非常大的搜索空间中有效地找到定制的模式需要有针对性的挖掘算法。已经提出了称为TargetUM的第一种算法，其采用类似于使用树结构的后处理的方法，但是在许多情况下运行时间和存储器消耗不令人满意。针对这一问题，提出了一种基于列表的模式匹配算法THUIM（Targeted High-Utility Itemset Mining），该算法能够在挖掘过程中快速匹配高效用项集，从而选择目标模式。在不同的数据集上进行了广泛的实验，将所提出的算法的性能与最先进的算法进行比较。实验结果表明，THUIM在运行时间和内存消耗方面表现良好，与TargetUM相比具有良好的可扩展性。
2022-06-09 cs.AI cs.DB
Towards Quantifying Privacy in Process Mining
流程挖掘使用事件日志来提供对实际流程的见解。事件日志由信息系统记录，包含有价值的信息，可帮助组织改进其流程。然而，这些数据还包括高度敏感的私人信息，这是应用流程挖掘时的主要问题。因此，在进程挖掘中的隐私保护越来越重要，新的技术正在被引入。建议的隐私保护技术的有效性需要进行评估。重要的是要衡量敏感数据保护和数据实用程序保护。在本文中，我们提出了一种方法来量化隐私保护技术的有效性。我们引入了两种量化披露风险的措施，以评估敏感的数据保护方面。此外，提出了一种措施，以量化的数据效用保存的主要过程挖掘活动。所提出的措施已经过测试，使用各种现实生活中的事件日志。
2020-12-21 cs.CR cs.DB
Discovering Top-k Periodic and High-Utility Patterns
本文提出 TPU 算法，利用正负效用列表和多种阈值提升策略高效挖掘 top-k 周期性高效用模式，实验表明其显著降低了运行时间与内存消耗。
2025-09-19 cs.DB
Group-Based Privacy Preservation Techniques for Process Mining
流程挖掘技术有助于使用事件数据改进流程。这种数据在信息系统中广泛存在。然而，它们通常包含高度敏感信息。例如，保健信息系统记录事件数据，过程挖掘技术可以利用该事件数据来改进治疗过程、减少患者的等待时间、提高资源生产率等。然而，记录的事件数据包括与治疗活动相关的高度敏感信息。负责任的流程挖掘应该提供关于底层流程的见解，但同时，它不应该泄露敏感信息。在本文中，我们讨论了直接应用现有的众所周知的基于组的隐私保护技术的挑战，例如，k-匿名性、l-多样性等。我们提供了正式的攻击模型的定义，并介绍了一个有效的基于组的隐私保护技术的进程挖掘。我们的技术涵盖了流程挖掘的主要视角，包括控制流、时间、案例和组织视角。所提出的技术提供了可解释和可调整的参数来处理不同的隐私方面。我们采用现实生活中的事件数据，并评估数据效用和结果效用，以显示隐私保护技术的有效性。我们还比较了这种方法与其他基于组的隐私保护事件数据发布的方法。
2021-05-25 cs.CR cs.DB
A Survey of Parallel Sequential Pattern Mining
随着共享资源的日益普及，自动收集大量不同类型的复杂数据。传统的数据采掘算法普遍存在内存开销大、处理速度慢、硬盘空间不足等问题和挑战。序列模式挖掘作为数据采掘的一项基本任务，在现实生活中有着广泛的应用。然而，它比其他模式挖掘任务更复杂和更具挑战性，即，频繁项集挖掘和关联规则挖掘，在处理大规模数据时也面临上述挑战。为了解决这些问题，在并行或分布式计算环境中挖掘序列模式已经成为一个重要的问题，具有许多应用。在本文中，深入调查的并行序列模式挖掘（PSPM）的现状进行了调查和提供，包括传统的串行SPM方法的详细分类，和最先进的并行SPM。本文详细回顾了并行序列模式挖掘的相关工作，包括基于划分的并行序列模式挖掘算法、基于Apriori的并行序列模式挖掘算法、基于模式增长的并行序列模式挖掘算法和基于模式增长的并行序列模式挖掘混合算法，并对并行序列模式挖掘算法进行了深入的描述（即，这些并行方法的特点、优点、缺点和总结。对PSPM的一些前沿问题，包括并行定量/加权/效用序列模式挖掘、不确定数据和流数据的PSPM、PSPM的硬件加速等进行了详细的综述。此外，我们还回顾并提供了一些著名的PSPM开源软件。最后总结了PSPM在大数据时代面临的挑战和机遇。
2019-04-05 cs.DB
Towards Sequence Utility Maximization under Utility Occupancy Measure
Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
效用驱动模式的发现是一个有用而又困难的研究课题。它可以从具体和不同的数据库中提取重要和有趣的信息，增加所提供服务的价值。在实践中，效用的度量通常用于证明对象或模式的重要性，利润或风险。在数据库中，尽管效用对于每个模式来说都是一个灵活的标准，但由于忽略了效用共享，它是一个更绝对的标准。这导致派生模式仅从数据库中探索部分和局部知识。效用占用是最近提出的模型，考虑了高效用但低占用的采矿问题。然而，现有的研究都集中在项目集，不揭示对象出现的时间关系。因此，本文朝着序列效用最大化的方向进行研究.本文首先定义了序列数据的效用占用率，提出了高效用占用率序列模式挖掘问题。HUOSPM从频率、效用和占用率三个维度进行综合评价。提出了一种基于效用占用测度的序列效用最大化算法（SUMU）。此外，为了提高效率，还设计了两种用于存储模式相关信息的数据结构：具有六个相关上界的实用占用列表链（UOL-Chain）和实用占用表（UO-Table）。通过实验验证了该算法的有效性。分析和讨论了不同上界和剪枝策略对算法性能的影响。综合结果表明，我们的算法的工作是智能和有效的。
2022-12-20 cs.AI cs.DB
Discovery of Maximal Frequent Item Sets using Subset Creation
数据采掘是从大量数据中发现数据模式的实践。数据采掘使用数学算法对数据进行分组并评估未来事件。关联规则是知识发现领域的一个研究方向。许多数据采掘研究者通过引入效用、销售商品数量等影响因素以及挖掘关联数据模式来提高关联规则的质量。在本文中，我们提出了一个有效的算法，首先找到最大频繁项集。大多数关联规则算法都是先找到最小频繁项，再借助最小频繁项集求出最大频繁项集，这样的方法在寻找最大频繁项集上花费了较多的时间。为了克服这个问题，我们提出了一种新的方法来寻找最大频繁项集直接使用子集的概念。所提出的方法被发现是有效的，在寻找最大频繁项集。
2013-02-07 cs.DB
A Framework for High-Accuracy Privacy-Preserving Mining
为了在数据采掘过程中保护客户隐私，最近提出了各种基于数据记录随机扰动的技术。在本文中，我们提出了一个广义的矩阵理论模型的随机扰动，这有利于系统的方法来设计扰动机制的隐私保护挖掘。具体来说，我们证明了（a）现有技术的不同之处仅在于其模型参数的设置，（b）通过适当选择参数设置，我们可以得到新的扰动技术，即使在严格的隐私保证下，也能提供高度准确的挖掘结果。我们还提出了一种新的扰动机制，其中的模型参数本身的特点是随机变量，并证明，这一功能提供了显着的改善隐私在一个非常边际成本的准确性。虽然我们的模型是有效的随机扰动为基础的隐私保护挖掘一般，我们特别评估其效用在这里关于频繁项集挖掘各种真实的数据集。实验结果表明，我们的机制产生显著较低的身份和支持错误相比，现有的技术。
2004-07-15 cs.DB cs.IR
PDBMine: A Reformulation of the Protein Data Bank to Facilitate Structural Data Mining
大规模的计划，如人类基因组计划，结构基因组学和个人研究团队提供了大量的基因组和蛋白质组数据。将数据转化为知识已成为现有的挑战之一，这是因为数据库中的数据是为存档而不是挖掘而设计的。在这项研究中，我们针对蛋白质数据库（PDB），并展示了其内容的转换，名为PDBMine，将存储空间减少了一个数量级，并允许与蛋白质结构确定相关的强大挖掘。我们已经证明了PDBMine在探索二聚体和三聚体氨基酸序列中的实用性，并提供了预测蛋白质结构的机制。
2019-11-19 cs.DB q-bio.BM
Discovering Utility-driven Interval Rules
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）
针对现有高效用序列规则挖掘无法处理区间事件序列的问题，提出 UIRMiner 算法，通过数值编码关系表示和结合效用上界与关系的补集剪枝策略，高效提取全部 UIRs，并经真实与合成数据集验证有效。
2023-09-28 cs.AI cs.DB
Discovering High Utility-Occupancy Patterns from Uncertain Data
众所周知，大数据中隐藏着大量有用的信息，导致了一种新的说法“数据就是金钱。“因此，个人挖掘关键信息以供许多现实世界的应用程序使用是很普遍的。在过去，研究已经考虑了频率。不幸的是，这样做忽略了其他方面，如效用、利益或风险。因此，它是明智的，发现高效用项目集（HUIs）在事务数据库中，同时利用不仅数量，但也预定义的效用。为了找到可以代表支持交易的模式，最近进行了一项研究，以挖掘高效用占用模式，其对整个交易的效用的贡献大于一定的值。此外，在实际应用中，模式可能不存在于交易中，但与存在概率有关。提出了一种新的不确定数据库中高效用占用模式挖掘算法（UHUOPM）。该算法发现的模式被称为潜在高效用占用模式（PHUOP）。该算法将用户偏好分为支持度、概率和效用占用三个因素。为了减少存储器成本和时间消耗，并修剪搜索空间在上述算法中，概率效用占用列表（PUO-列表）和概率频率效用表（PFU-表），这有助于提供向下闭合属性。此外，一个原始的树结构，称为支持计数树（SC-树），构造的搜索空间的算法。最后，大量的实验进行了评估所提出的UHUOPM算法在现实生活和合成数据集的性能，特别是在有效性和效率方面。
2020-08-18 cs.DB
Advancing Object-Centric Process Mining with Multi-Dimensional Data Operations
Linköping University（林雪平大学）；Stockholm University（斯德哥尔摩大学）
本文提出四种操作：钻取、汇总、展开和折叠，以调整分析粒度，提升面向对象过程挖掘的灵活性和精度，通过实验证明其在教育过程挖掘中的有效性。
2026-07-07 cs.DB
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
