11、长模式挖掘：方法与挑战

长模式挖掘：方法与挑战

1. 引言

模式挖掘自诞生以来一直是数据挖掘的核心主题。在众多对挖掘模式施加的约束中，大尺寸模式因其多方面原因而备受关注。一方面，长模式是数据集不断增大的自然结果。例如，在Facebook或Twitter等社交网络分析中，功能社区规模可达150，远超多数算法的挖掘能力；在当今互联网的网页结构挖掘中，各领域的真实网页结构也相当复杂。另一方面，长模式在刻画大数据集时更具信息价值，在生物信息学等领域，长模式比短模式能提供更有意义的见解。比如在DBLP合著网络中，小模式（如几位作者合作一篇论文）很常见，而长模式才能揭示不同研究社区间有趣的合作模式或区分不同模式；在软件工程中，从程序结构数据中挖掘出的长模式能揭示软件的关键架构。

需要注意的是，长模式通常伴随着频率约束，这增加了挖掘的复杂性。本文将首先介绍大频繁模式挖掘的基础知识，引入模式格模型解释各种算法，然后根据挖掘范式将长模式挖掘算法分为三类：模式枚举挖掘、模式合并挖掘和邻域邻接模式遍历挖掘。

2. 基础知识

大频繁模式挖掘主要在三种数据设置中进行研究：项集、序列和图，具体定义如下：
- 项集 ：项集是频繁模式挖掘中最简单的设置。设I为一组项{o1, o2, …, od}，I的非空子集称为项集。事务数据集D是项集的集合，D = {t1, …, tn}，其中ti ⊆I。对于任何项集α，包含α的事务集记为Dα = {i|α ⊆ ti且ti ∈D}。项集α的基数定义为其包含的项数，即|α| = |{oi|oi ∈α}|。
- 频繁项集定义 ：对于事务数据集D，如果|Dα| / |D| ≥σ（其中|D