序列模式挖掘算法之PrefixSpan

序列模式挖掘算法之PrefixSpan

PrefixSpan 配套代码地址http://download.youkuaiyun.com/download/u012202808/9961002

本文从基本的概念和例子入手，最后通过讲解代码来解释PrefixSpan算法：

• 序列模式挖掘简介
• 序列模式挖掘的基本概念
• PrefixSpan的基本概念
• PrefixSpan算法过程讲解
• 主要代码块展示和讲解

---

序列模式挖掘简介

	序列模式挖掘最早的提出是为了找出用户几次购买行为之间的关系。我们也可以理解成找出那些经常出现的序列组合构成的模式。它与关联规则的挖掘是不一样的，序列模式挖掘的对象以及结果都是有序的，即数据集中的项在时间和空间上是有序排列的，这个有序的排列正好可以理解成大多数人的行为序列（例如：购买行为），输出的结果也是有序的，而关联规则的挖掘是不一样的。
	关联规则的挖掘容易让我们想到那个"尿布与啤酒"的故事，它主要是为了挖掘出两个事物间的联系，首先这两个事物之间是没有时间可空间的联系的，可以理解成它们之间是无序的。例如：泡面——火腿  在我们的生活中大多数人在买泡面后会选择买火腿，但是每个人购买的顺序是不一样的，就是说这两个在时空上是没有联系的，找到的是搭配规律。这就是关联规则挖掘。（这是我个人的理解，有不同理解的请讨论）
	序列模式挖掘的挖掘出来的是有序的。我们考虑一个用户多次在超市购物的情况，那么这些不同时间点的交易记录就构成了一个购买序列，例如：1用户在第一次购买了商品A，第二次购买了商品B和C；那么我们就生成了一个1用户的购物序列A-B,C.当N个用户的购买序列就形成了一个规模为N的数据集。这样我们就可以找到像"尿不湿--婴儿车"这样的存在因果关系的规律。因此序列模式挖掘相对于关联规则挖掘可以挖掘出更加深刻的知识。

序列模式挖掘的基本概念

序列模式挖掘的定义为：给定一个序列数据库和最小支持度，找出所有支持度大于最小支持度的序列模式
我们通过下面的例子来加深我们的理解

序列(Sequence)：一个序列就是一个完整的信息流。

例如上面图中的U_ID 1 在8月1号购买了商品A和B&