.png){kind=icon}
返回
Mining high utility contrast patterns in sequences
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02521-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比序列模式挖掘（CSPM）是数据挖掘中的一个重要领域，专注于发现不同类别之间的对比信息。然而，现有的CSPM方法通常仅依赖频率作为挖掘指标，这可能无法准确反映用户的真实兴趣。本研究中，我们引入了一个将CSPM与效用概念相结合的新框架，用于提取能够捕捉用户真实兴趣的效用驱动对比模式。我们还发现了一个模式翻转问题，这可能影响对比模式的区分能力。针对这一问题，我们引入了两种创新的效用驱动对比模式类型：简化稳定对比模式（RSCP）和翻转效用对比模式（FUCP）。此外，我们提出了高效的挖掘算法RCPMiner和FCPMiner，并整合了新的效用上限（MRSU）和新型剪枝策略。实验结果表明，我们提出的算法有效且高效，并验证了RSCP的代表性能力。在将RSCP用作分类任务特征时，观察到其性能提升，超越了使用其他类型模式所达到的性能。与挖掘模式数量相比，RSCP也显示出更低的冗余性。
Keyword:
Artificial intelligence
Knowledge discovery
Utility mining
Contrast pattern
期刊
IF:
3.1
论文数:
578
被引数:
5.2K
机构
引用论文
Efficient Mining of Contrast Patterns on Large Scale Imbalanced Real-Life Data大规模非平衡真实数据集上的对比模式高效挖掘
PREAI
分享收藏
分享收藏Clustering customer orders in a smart factory using sequential pattern mining使用序列模式挖掘在智能工厂中对客户订单进行聚类
PREAI
分享收藏A Novel Approach for Mining High-Utility Sequential Patterns in Sequence Databases.png)
ETRI Journal
ETRI JournalIF0
PREAI
分享收藏HUPSP-LAL: Efficiently mining utility-driven sequential patterns in uncertain sequencesHUPSP-LAL: 在不确定序列中高效挖掘基于效用的序列模式
PREAI
分享收藏
查看更多内容