多維度序列樣式挖掘之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：46

、訪客IP：18.225.255.196

姓名

余忠慶(Chung-Ching Yu) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

多維度序列樣式挖掘之研究

相關論文

★ 零售業商業智慧之探討	★ 有線電話通話異常偵測系統之建置
★ 資料探勘技術運用於在學成績與學測成果分析 -以高職餐飲管理科為例	★ 利用資料採礦技術提昇財富管理效益 -以個案銀行為主
★ 晶圓製造良率模式之評比與分析－以國內某DRAM廠為例	★ 商業智慧分析運用於學生成績之研究
★ 運用資料探勘技術建構國小高年級學生學業成就之預測模式	★ 應用資料探勘技術建立機車貸款風險評估模式之研究－以A公司為例
★ 績效指標評估研究應用於提升研發設計品質保證	★ 基於文字履歷及人格特質應用機械學習改善錄用品質
★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題	★ 關聯式資料庫之廣義知識探勘
★ 考量屬性值取得延遲的決策樹建構	★ 從序列資料中找尋偏好圖的方法 - 應用於群體排名問題
★ 利用分割式分群演算法找共識群解群體決策問題	★ 以新奇的方法有序共識群應用於群體決策問題

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

序列樣式（Sequential Pattern）的挖掘是資料挖掘一個相當重要的領域，但在以往的研究中，皆是針對以單一順序維度進行衡量的序列（Sequence）來進行探討，如消費者在商品購買上的順序行為，或是網路使用者對網頁的瀏覽順序等等。儘管這些研究可以解決實務上大多數的問題，但是，若序列中的項目屬性可以歸納至不同的時間概念層級，且所要找出的序列樣式是可以同時含括不同概念層級的順序性時，由於受限於以往方法的應用範圍，也因此，此類型的樣式並無法被尋出。而對於這種同時呈現多個順序維度的序列，我們即稱之為「多維度序列（multi-dimensional sequence）」。由於多維度序列是以「序列的序列（sequence of sequence）」、或是「序列的序列的序列（sequence of sequence of sequence）」等方式來加以呈現，故這類型序列樣式的挖掘方式也就不同於以往。因此在本文中，除了說明多維度序列的應用與相關定義之外，也提出一種簡化的表示方式，「簡單格式（Simplified Format）」，以進行序列的表示，並據以對現行的兩種序列挖掘演算法進行擴展，以尋出多維度的序列樣式。

關鍵字(中)

★ 多維度序列
★ 序列樣式
★ 資料挖掘
★ 簡單格式

關鍵字(英)

★ Data Mining
★ Sequential Pattern
★ Multi-dimensional sequence
★ Simplified Format

論文目次

第一章　緒論 1
第二章　問題描述與相關定義 5
第一節　問題描述 5
第二節　多維度序列之定義 7
第三節　相關延伸定義 10
第四節　序列的簡單格式（SIMPLIFIED FORMAT） 12
第三章　APRIORIMD方法 18
第一節　候選序列（CANDIDATE）的產生 19
第二節　支持次數（SUPPORT COUNT）之計算 22
第三節　範例說明 26
第四章　PREFIXMDSPAN方法 29
第一節　相關定義 29
第二節　演算法架構 32
第三節　範例說明 36
第五章　效能測試 39
第一節　模擬資料的產生 39
第二節　效能測試 42
一、不同的支持度 43
二、不同的資料量 44
三、不同維度數 45
四、不同的序列長度 46
五、不同的最大可能高頻率序列長度 46
第三節　小結 47
第六章　結論 48
參考文獻 49

參考文獻

1. R. Agrawal, C. Faloutsos and A. Swami, “Efficient Similarity Search in Sequence Databases,” In Lecture Notes in Computer Science 730, pp. 69-84, Springer Verlag, 1993.
2. R. Agrawal, R. Srikant, “Fast algorithms for mining association rules,” In Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), pp. 487-499, Santiago, Chile, Sep. 1994.
3. R. Agrawal, R. Srikant, “Mining sequential patterns,” Research Report RJ 9910, IBM Almaden Research Center, San Jose, California, October 1994.
4. R. Agrawal and R. Srikant, “Mining sequential patterns,” In Proc. 1995 Int. Conf. Data Engineering (ICDE’95), pp. 3-14, Taipei, Taiwan, Mar. 1995.
5. M.S. Chen, J. Han, and P.S. Yu, “Data mining: an overview from a database perspective,” IEEE Transactions on Knowledge and Data Engineering, 8(6), pp. 866-883, 1996.
6. M.S. Chen, J.S. Park and P.S. Yu, “Efficient data mining for Path Traversal Patterns,” In Proc. Of IEEE Trans. Knowledge and Data Engineering (IEEE’98), 10(2), pp. 209-221, March 1998.
7. C. Faloutsos, M. Ranganathan and Y. Manolopoulos, “Fast Subsequence Matching in Time-Series Databases,” SIGMOD Conference, pp. 419-429, 1994.
8. M. Garofalakis, R. Rastogi, and K. Shim, “Spirit: Sequential pattern mining with regular expression constraints,” In Proc. 1999 Int. Conf. Very Large Data Bases (VLDB’99), pp. 223-234, Edinburgh, UK, Sept, 1999.
9. J. Han, J. Pei, B. Mortazavi-Asl, Q. Chen, U. Dayal and M-C. Hsu, “FreeSpan: Frequent Pattern-Projected Sequential Pattern Mining,” In Proc. 2000 Int. Conf. Knowledge Discovery and Data Mining (KDD’00), pp. 355-359, Boston, MA, Aug. 2000.
10. J. Han, J. Pei and Y. Yin, “Mining Frequent Patterns without Candidate Generation,” In Proc. 2000 ACM-SIGMOD Int. Conf. Management of Data (SIGMOD’00), pp. 1-12, Dallas, TX, May 2000.
11. M.Y. Lin and S.Y. Lee, “Incremental Update On Sequential Patterns In Large Databases,” In Proc. Of the Tenth IEEE International Conference on Tools with Artificial Intelligence, 1998, pp.24-31.
12. F. Masseglia, F. Cathala and P. Poncelet, “The PSP Approach for Mining Sequential Patterns,” In Proc. 1998 2nd European Symposium on Principles of Data Mining and Knowledge Discovery (PKDD’98), Vol. 1510, pp. 176-184, Nantes, France, LNAI, Sept. 1998.
13. F. Masseglia, P. Poncelet, M. Teisseire, “Incremental Mining of Sequential Patterns in Large Database”, Actes des 16ièmes Journées Bases de Données Avancées (BDA’00), Blois, France, October 2000.
14. H. Mannila, H. Toivonen, and A. I. Verkamo, “Discovering Frequent Episodes in Sequences,” In Proc. 1995 Int. Conf. On Knowledge Discovery and Data Mining (KDD’95), pp. 210-215, Montreal, Canada, Aug 1995.
15. H. Mannila, H. Toivonen, and A. I. Verkamo, “Discovery of Frequent Episode In Event Sequences,” Data Mining and Knowledge Discovery, No. 1, Nov. 1997, pp. 259-289.
16. J. Pei, J. Han, B. Mortazavi-Asl, H. Pinto, Q. Chen, U. Dayal and M-C. Hsu, “PrefixSpan: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth,” In Proc. 2001 Int. Conf. Data Engineering (ICDE’01), pp. 215-224, Heidelberg, Germany, April 2001.
17. J. Pei, J. Han, Mortazavi-Asl, and H. Zhu, “Mining Access Patterns Efficiently from Web Logs,” In Proc. 2000 Pacific-Asia Conf. On Knowledge Discovery and Data Mining (PAKDD’00), pp. 396-407, Kyoto, Japan, April 2000.
18. H. Pinto, J. Han, J.Pei, K. Wang, Q. Chen, and U.Dayal, “Multi-Dimensional Sequential Pattern Mining,” In Proc. 10th ACM International Conference on Information and Knowledge Management (CIKM’01), Altanta, Georgia, Nov. 2001.
19. S. Parthasarathy, M. J. Zaki, M. Ogihara, S. Dwarkadas, “Incremental and Interactive Sequence Mining,” In Proc. of the 1999 ACM International Conference on Information and Knowledge Management (CIKM’99). Kansas City, Missouri. Nov. 1999.
20. R. Srikant and R. Agrawal, “Mining sequential patterns: Generalizations and performance improvements,” In Proc. 5th Int. Conf. Extending Database Technology (EDBT’96), pp. 3-17, Avignon, France, Mar. 1996.
21. M. J. Zaki, “SPADE: An Efficient Algorithm for Mining Frequent Sequences,” In Proc. of Machine Learning Journal, special issue on Unsupervised Learning (Doug Fisher, ed.), Vol. 42 Nos. 1/2, pp. 31-60, Jan/Feb 2001.
22. K. Wang, and J. Tan, “Incremental Discovery of Sequential Patterns,” In 1996 ACM-SIGMOD Data Mining Workshop: Research Issues on Data Mining and Knowledge Discovery (SIGMOD’96), pp. 95-102, Montreal, Canada, May 1996.

指導教授

陳彥良(Yen-Liang Chen)

審核日期

2002-6-24

推文