序列模式挖掘算法（Sequential Pattern Mining）

大数据挖掘研究

（1）基于内存数据分解的方式：随着数据集越来越大，计算机无法一次性地将大数据集读入内存，数据分解技术采用分而治之的思想，将大数据集分割成一块块小数据集读入内存，然后进行挖掘，最后合并挖掘结果，大大提高了挖掘效率
（2）基于磁盘存储的方式：由于内存空间较小，不能整体地将大数据集进行处理，因此需要将一部分数据存放在磁盘上，这样能够有更多的内存空间来处理后面的数据。
（3）基于采样的方式，采样方法是统计学经常采用的技术，我们可以从大规模数据集中抽取出能够反映大数据集的样本，然后对大数据集样本进行挖掘。

序列模式挖掘概念

概念：输入一个序列数据库，输出所有不小于最小支持度的序列的过程。
应用领域：预测用户购买行为、预测Web访问模式、预测天气变化、预测时长趋势。

序列模式挖掘和关联规则挖掘的区别

序列模式是找出序列数据库中数据之间的先后顺序。比如：用户访问某个网站各个网页的顺序。
关联规则是找出事务数据库中数据之间的并发关系。比如：啤酒和尿布
关联规则挖掘不关注事务之间的先后顺序，序列模式挖掘需要考虑序列间的先后顺序。

经典算法

AprioriAll算法

定义

每一次交易包含customer-id，transaction-time和items
序列s的支持度（support）是指所有序列中包含序列s的个数（百分比）
满足最小支持度(minimum support)的序列称为大序列（large sequence）。
大序列中的所有最长序列就称为序列模式（sequential pattern）
项集i的支持度是指所有序列中包含项集i的个数