PrefixSpan算法详解

一、序列模式挖掘简介

序列模式的概念最早是由Agrawal和Srikant 提出的。

动机：大型连锁超市的交易数据有一系列的用户事务数据库，每一条记录包括用户的ID，事务发生的时间和事务涉及的项目。

如果能在其中挖掘涉及事务间关联关系的模式，即用户几次购买行为间的联系，可以采取更有针对性的营销措施。

二、事务数据库实例

例：一个事务数据库，一个事务代表一笔交易，一个单项代表交易的商品，单项属性中的数字记录的是商品ID

一般为了方便处理，需要把数据库转化为序列数据库。方法是把用户ID相同的记录合并，

有时每个事务的发生时间可以忽略，仅保持事务间的偏序关系。

三、prefixspan

前缀

假设所有的项在一个元素中按照字母表的顺序排列出来。给定一个序列α=<e1e2…en>

(在这里每一个e都和在S中给定的连续的元素相一致)和一个序列β=<e1’e2’…em’>(m≤n).只有如果：

1、ei’=ei（i≤m-1），2、em’∈em  ，3、所有在（em—em’）的连续项在em’中都是按照字母表顺序排列的，

那么我们就说β是α的一个前缀。

例如：<a>,<aa>,<a(ab)>和<a(abc)>都是序列s=<a(abc)(ac)d(cf)>的前缀,但是如果每个项都在S中的序列s是连续的，

那么<ab>和<a(bc)>都认为是<a(abc)>的一个前缀。

后缀

序列α关于子序列β = <e1e2… em-1em’>的投影为α’ = <e1e2… en> (n >= m)，则序列α关于子序列β的后缀为<em”em+1… en>， 

其中em” = (em - em’)。

例如：对于序列s=<a(abc)(ac)d(cf)>，<(abc)(ac)d(cf)>就被认识为是关于前缀<a>的后缀，

<(-bc)(ac)d(cf)>就被认为是关于前缀<aa>的后缀，<(-c)(ac)d(cf)>就被被认为是关于前缀<a(ab)>的后缀。

投影

投影即投影数据库，是序列数据库S中所有相对于α前缀的后缀序列的集合。

算法步骤：

例子：

1、使用之前的序列数据库进行简单的说明(给定的最小支持度是2)：

扫描序列数据库S，产生长度为1的序列模式有：<a> : 4, <b>:4, <c> : 4, <d> : 3, <e> : 3, <f> : 3
序列模式的全集必然可以分为分别以<a>，<b>，<c>，<d>，<e>和<f>为前缀的序列模式的集合，

构造不同前缀所对应的投影数据库，结果如下页图所示：

2、分别以<a>和<f>为前缀的序列进行分析说明

<f>：

<fc>：

可以得出前缀是f的序列模式为 <f> <fb> <fc> <fbc> <fcb> 

<a>:

对于a的映射数据库进行查找局部频繁项（长度为一），可以得出<a> : 2,  <b> : 4, <c> : 4,<d> : 2, <f> : 2, < _b> : 2

(要注意，第一项中的ab和_b是表示同样的元素)

(对于组合项的后缀提取，可以分为2个情况，1个是从_X中寻找，一个从后面找出连续的项集)

<ab>:

pre <aba>	Sequence
1	<(_c)d(cf)>
2	<(_e)>

<(ab)>:

pre <(ab)>	Sequence
1	<(_c)(ac)d(cf)>
2	<(df)cb>

对于<(ab)>的映射数据库进行查找局部频繁项，可以得出<a> : 2,  <d> : 2, <c> : 2

<(ab)d>:

pre <(ab)d>	Sequence
1	<(cf)>
2	<(_f)cb>

到此以<a>和<f>为前缀的序列模式全部找出

以下是支持度为2的所有结果