95、提取顺序知识块：概念、算法与应用

提取顺序知识块：概念、算法与应用

在当今信息爆炸的时代，从海量数据中挖掘有价值的知识变得至关重要。本文将介绍顺序关联规则和顺序知识块的概念，并详细阐述用于挖掘这些知识块的 SNK 算法，同时探讨其在分子生物学领域的应用。

1. 引言

在大型数据库中挖掘关联规则是一个经典问题，受到了广泛关注。关联规则通常表示为 A → B 的形式，其中 A 和 B 是不相交的项集。频繁顺序模式挖掘是频繁模式挖掘的一种细化，适用于存储与随时间发生的行为事实相关数据的数据库，已应用于多个领域，如客户购物序列分析、网页使用挖掘、医疗过程和 DNA 序列分析等。

本文引入了基于有趣性度量的顺序关联规则概念。与常见方法不同，我们关注的是结果项属于预定义目标项集的规则，旨在检测规则前件与结果之间的紧密关联，而不仅仅是高支持度的规则。同时，我们也寻找与特定数据高度关联的显著稀有数据，因为即使这些事实在数据库中不频繁出现，发现它们之间的紧密依赖关系也具有重要信息价值。相比之下，高支持度的关联往往缺乏惊喜，因为它们涉及数据库中的大部分对象。意外的关联可能揭示数据中需要进一步研究的方面。

我们通过有趣性度量来确定规则的相关性。由于不同的有趣性度量捕捉的关联类型不同，且没有一种度量在所有情况下都是最好的，因此我们考虑了多种有趣性度量。在此基础上，我们引入了顺序知识块的概念，即可能在数据库中支持度较低，但对于某些有趣性度量具有高度相关性的顺序关联规则。为了减少规则的数量和长度，我们只搜索最大顺序知识块，这些规则在某种程度上对应于对象的典型特征，便于人类专家分析。

最大顺序知识块可用于改进网站的组织。例如，通过分析大学网站的访问日志，我们可以根据 IP 地址识别不同用户群体的特征，进