数据挖掘与商务智能 Data Mining & Business Intelligence

Presentation on theme: "数据挖掘与商务智能 Data Mining & Business Intelligence"— Presentation transcript:

1 数据挖掘与商务智能 Data Mining & Business Intelligence
第六章 序列模式挖掘 西安电子科技大学　软件学院 主讲人：黄健斌

2 内容提纲 序列模式挖掘简介 序列模式挖掘的应用背景 序列模式挖掘算法概述 GSP算法 SPADE算法 PrefixSpan算法
CloSpan算法 利用SPSS软件挖掘频繁序列模式

3 序列模式挖掘简介 序列模式的概念最早是由Agrawal和Srikant 提出的。
动机：大型连锁超市的交易数据有一系列的用户事务数据库，每一条记录包括用户的ID，事务发生的时间和事务涉及的项目。如果能在其中挖掘涉及事务间关联关系的模式，即用户几次购买行为间的联系，可以采取更有针对性的营销措施。

4 序列模式挖掘的应用背景 应用领域： 客户购买行为模式预测 Web访问模式预测 疾病诊断 · · · · · ·

5 应用案例1：客户购买行为模式分析 B2C电子商务网站可以根据客户购买纪录来分析客户购买行为模式，从而进行有针对性的营销策略。
ID User transaction sequence 1 ………………………………………………………….. 2 ……………………………………………… 3 …………………………………………………….. 4 …………………………………. 图书交易网站将用户购物纪录整合成用户购物序列集合 相关商品推荐：如果用户购买了书籍“UML语言”, 则推荐“Visio2003实用技巧” 得到用户购物行为序列模式 <(“UML语言”)(“Visio2003实用技巧”)>

6 应用案例2：Web访问模式分析 大型网站的网站地图(site map)往往具有复杂的拓扑结构。用户访问序列模式的挖掘有助于改进网站地图的拓扑结构。比如用户经常访问网页web1然后访问web2,而在网站地图中二者距离较远，就有必要调整网站地图，缩短它们的距离，甚至直接增加一条链接。 Index 网站入口 web1 web2

7 应用案例3：疾病诊断 医疗领域的专家系统可以作为疾病诊断的辅助决策手段。对应特定的疾病，众多该类病人的症状按时间顺序被记录。自动分析该纪录可以发现对应此类疾病普适的症状模式。每种疾病和对应的一系列症状模式被加入到知识库后，专家系统就可以依此来辅助人类专家进行疾病诊断。 例: 通过分析大量曾患A类疾病的病人发病纪录，发现以下症状发生的序列模式：<(眩晕) (两天后低烧37-38度) > 如果病人具有以上症状，则有可能患A类疾病

8 事务数据库实例 例：一个事务数据库，一个事务代表一笔交易，一个单项代表交易的商品，单项属性中的数字记录的是商品ID

9 序列数据库 一般为了方便处理，需要把事务数据库转化为序列数据库。方法是把用户ID相同的记录合并，有时每个事务的发生时间可以忽略，仅保持事务间的顺序关系。

10 基本概念 项集(Itemset)是所有在序列数据库出现过的单项组成的集合
例：对一个用户购买记录的序列数据库来说，项集包含用户购买的所有商品，一种商品就是一个单项。通常每个单项有一个唯一的ID，在数据库中记录的是单项的ID。

11 基本概念 元素(Element)可表示为(x1x2…xm)， xk(1 <= k <= m)为不同的单项。元素内的单项不考虑顺序关系，一般默认按照ID的字典序排列． 在用户事务数据库里，一个事务就是一个元素

12 基本概念 序列(Sequence)是不同元素(Element)的有序排列，序列s可以表示为s = <s1s2…sl>，sj(1 <= j <= l)为序列s的元素 一个序列包含的所有单项的个数称为序列的长度。长度为l的序列记为l-序列

13 举例 例：一条序列<(10,20)30(40,60,70)>有3个元素，分别是（10 20），30，（40 60 70 ）；
例：一条序列<(10,20)30(40,60,70)>有3个元素，分别是（10 20），30，（ ）； 3个事务的发生时间是由前到后。这条序列是一个6-序列。

14 基本概念 序列在序列数据库S中的支持度为序列数据库S中包含序列的序列个数，记为Support()
设序列 = <a1a2…an>，序列 = <b1b2…bm>，ai 和bi都是元素。如果存在整数1 <= j1 < j2 <…< jn <= m，使得a1  bj1，a2  bj2，…， an  bjn，则称序列为序列的子序列，又称序列包含序列，记为  。 序列在序列数据库S中的支持度为序列数据库S中包含序列的序列个数，记为Support() 给定支持度阈值，如果序列在序列数据库中的支持度不低于，则称序列为序列模式 长度为l的序列模式记为l-模式

15 例子 例子：设序列数据库如下图所示，并设用户指定的最小支持度 min-support = 2。 Sid Sequence 10
<a(abc)(ac)d(cf)> 20 <(ad)c(bc)(ae)> 30 <(ef)(ab)(df)cb> 40 <(af)cbc> 序列<a(bc)df>是序列<a(abc)(ac)d(cf)>的子序列 序列<(ab)c>是长度为3的序列模式

16 序列模式先验特性 Apriori (Agrawal & Sirkant’94) 特性 min_sup =2
如果序列s是非频繁序列，则s的所有超集序列都是非频繁的 <a(bd)bcb(ade)> 50 <(be)(ce)d> 40 <(ah)(bf)abf> 30 <(bf)(ce)b(fg)> 20 <(bd)cb(ac)> 10 Sequence Seq. ID min_sup =2 <hb> 非频繁 则： <hab> 非频繁 <(ah)b> 非频繁

17 序列模式 VS 关联规则 问题 序列模式挖掘 关联规则挖掘 数据集 序列数据库 事务数据库 关注点 单项间在同一事务内以及事务间的关系
单项间在同一事务内的关系

18 序列模式挖掘算法概述 类Apriori算法
该类算法基于Apriori理论，即序列模式的任一子序列也是序列模式。算法首先自底向上的根据较短的序列模式生成较长的候选序列模式，然后计算候选序列模式的支持度。典型的代表有GSP算法, spade算法等 基于划分的模式生长算法 该类算法基于分治的思想，迭代的将原始数据集进行划分，减少数据规模，同时在划分的过程中动态的挖掘序列模式，并将新发现的序列模式作为新的划分元。典型的代表有FreeSpan算法和prefixSpan算法

19 知识回顾 基本概念 支持度计数：包含特定项集的事务的个数: 关联规则：形如 的蕴涵表达式 支持度：同时包含X,Y的事务在所有事务中所占的比例
关联规则：形如 的蕴涵表达式 支持度：同时包含X,Y的事务在所有事务中所占的比例 置信度：事务X出现时Y出现的频繁程度 频繁项集：满足最小支持的项集

20 知识回顾 定理 关联规则挖掘的任务划分： 先验原理：如果一个项集是频繁的，那它的所有子集一定都是 频繁的
先验原理：如果一个项集是频繁的，那它的所有子集一定都是 频繁的 定理1：如果规则 不满足置信度阈值，则形如 的规则一定也不满足置信度阈值，其中 X'是 X的子集 关联规则挖掘的任务划分： 频繁项集的产生（候选( 产生 )，剪枝（基于先验原理）） 规则的产生(逐层方法来产生关联规则,定理1剪枝)

21 知识回顾 Apriori算法伪代码： Ck: Candidate itemset of size k
Fk : frequent itemset of size k F1 = {frequent items}; for (k = 1; Fk !=; k++) do begin Ck+1 = candidates generated from Fk ; for each transaction t in database do increment the count of all candidates in Ck that are contained in t Fk+1 = candidates in Ck+1 with min_support end return k Fk;

22 如果关联规则产生自同一项集，则置信度满足单调性
知识回顾 支持度度量满足单调性(X'为X的子集) 置信度一般不满足单调性(X'为X的子集) 如果关联规则产生自同一项集，则置信度满足单调性

23 知识回顾 Pruned supersets 基于支持度的候选项集剪枝

24 知识回顾 基于置信度的候选规则剪枝 Pruned Rules Low Confidence Rule

25 GSP算法 算法思想(候选产生测试法)： 类似于Apriori算法，采用冗余候选模式的剪除策略和特殊的数据结构-----哈希树来实现候选模式的快速访存。

26 GSP算法描述 F1 C2  F2  C3  F3  C4  F4  ……
根据长度为i 的种子集Fi ，通过连接操作和修剪操作生成长度为i+1的候选序列模式Ci+1；扫描序列数据库，计算每个候选序列模式的支持度，产生长度为i+1的序列模式Fi+1，并将Fi+1作为新的种子集 重复第二步，直到没有新的序列模式或新的候选序列模式产生为止 F1 C2  F2  C3  F3  C4  F4  ……

27 GSP算法伪代码 输入：大项集阶段转换后的序列数据库DT。 输出：最大序列 （1） L1 = {large 1-sequences}；
（2） FOR （k = 2；Lk-1  ；k++） DO BEGIN （3） Ck = GSPgenerate(Lk-1)； （4） FOR each customer-sequence c in the database DT DO （5） Increment the count of all candidates in Ck that are contained in c； （6） Lk = Candidates in Ck with minimum support； （7） END； （8） Answer = Maximal Sequences in ∪kLk；

28 GSP算法 产生候选序列模式主要分两步： 连接阶段：如果去掉序列模式s1的第一个元素与去掉序列模式s2的最后一个元素所得到的序列相同，则可以将s1与s2进行连接，即将s2的最后一个元素添加到s1中 剪枝阶段：若某候选序列模式的某个子序列不是序列模式，则此候选序列模式不可能是序列模式，将它从候选序列模式中删除 L1 C2  L2  C3  L3  C4  L4  ……

29 GSP算法 序列合并过程 序列s1与另一个序列s2合并，s2的最后一个单项可以作为最后一个单项合并到s1的最后一个元素中，也可以作为一个单独的元素。取决于以下条件： 如果s2的最后两个单项属于相同的元素，则s2的最后一个单项在合并后的序列中是s1的最后一个元素的一部分。 如果s2的最后两个单项属于不同的元素，则s2的最后一个单项在合并后的序列中成为连接到s1尾部的元素。

30 GSP算法 候选序列模式的支持度计算：对于给定的候选序列模式集合C，扫描序列数据库，对于其中的每一条序列s,找出集合C中被s所包含的所有候选序列模式，并增加其支持度计数

31 举例

32 哈希树 GSP采用哈希树存储候选序列模式。哈希树的节点分为三类： 根节点 内部节点 叶子节点

33 哈希树 根节点和内部节点中存放的是一个哈希表，每个哈希表项指向其它的节点。而叶子节点内存放的是一组候选序列模式。 例：

34 添加候选序列模式 从根节点开始，用哈希函数对序列的第一个元素做映射来决定从哪个分支向下，依次在第n层对序列的第n个单项作映射来决定从哪个分支向下，直到到达一个叶子节点。将序列储存在此叶子节点。 初始时所有节点都是叶子节点，当一个叶子节点所存放的序列数目达到一个阈值，它将转化为一个内部节点。

35 计算候选序列模式的支持度 给定一个序列s是序列数据库的一个记录：
对于内部节点，如果s是通过对单项x做哈希映射来到此节点的，则对s中每一个和x在一个元素中的单项以及在x所在元素之后第一个元素的第一个单项做哈希映射，然后从相应的表项向下迭代做操作 2）或 3）。 对一个叶子节点，检查每个候选序列模式c是不是s的子序列.如果是相应的候选序列模式支持度加一。

36 计算候选序列模式的支持度 hash树存储的优点
这种计算候选序列的支持度的方法避免了大量无用的扫描，对于一条序列，仅检验那些最有可能成为它子序列的候选序列模式。扫描的时间复杂度由O(n*m)降为O(n*t),其中n表示序列数量，m表示候选序列模式的数量，t代表哈希树叶子节点的最大容量

37 GSP算法存在的主要问题 如果序列数据库的规模比较大，则有可能会产生大量的候选序列模式 需要对序列数据库进行循环扫描
对于序列模式的长度比较长的情况，由于其对应的短的序列模式规模太大，本算法很难处理

38 SPADE算法 SPADE(Sequential PAttern Discovery using Equivalent Class) developed by Zaki 2001 基于Apriori的垂直数据格式的序列模式挖掘算法 通过简单的连接K序列任意长度为(k-1)子序列的ID_list，可以确定任意K序列的支持度。ID_list的长度等于K序列的支持度，即可确定是否是序列模式。 数据库表示形式： < itemset: (sequence_ID,event_ID) >

39 SPADE算法 minsup =2

40 SPADE算法总结 优点： 缺点： 垂直数据格式的使用连同ID_list的创建，可以减少对序列数据库的扫描。
同GSP，使用宽度优先和先验剪枝产生很大的候选集。

41 序列模式挖掘算法概述 基于划分的模式生长算法 该类算法基于分治的思想，迭代的将原始数据集进行划分，减少数据规模，同时在划分的过程中动态的挖掘序列模式，并将新发现的序列模式作为新的划分元。典型的代表有FreeSpan算法和PrefixSpan算法

42 PrefixSpan算法 算法思想：基于FP-Growth算法 Pei, et al.@ICDE’01
采用分治的思想，不断产生序列数据库的多个更小的投影数据库，然后在各个投影数据库上进行序列模式挖掘

43 知识回顾 FP-Growth算法 通过逐个读入事务，并把每一个事务映射到FP树中的一条路径的方法构造FP-Tree。

44 知识回顾 null After reading TID=1: A:1 B:1 After reading TID=2: null B:1
C:1 D:1

45 Pointers are used to assist frequent itemset generation
知识回顾 Transaction Database null B:3 A:7 B:5 C:3 C:1 D:1 Header table D:1 C:3 E:1 D:1 E:1 D:1 E:1 D:1 Pointers are used to assist frequent itemset generation

46 基本概念 前缀：设每个元素中的所有单项按照字典序排列。给定序列 = <e1e2…en>， = <e1’ e2’… em’> (m  n) ，如果ei’ = ei (i  m - 1)， em’  em，并且(em - em’)中的单项均在em’中单项的后面， 则称是的前缀 例：序列<(ab)> 是序列<(abd)(acd)> 的一个前缀；序列<(ad)>则不是 。

47 基本概念 投影：给定序列和 ，如果是的子序列，则关于的投影’必须满足： 是’的前缀，’是的满足上述条件的最大子序列
例：对于 序列 =<(ab)(acd)>， 其子序列 = <(b)>的投影是’ = <(b)(acd)>; <(ab)>的投影是原序列<(ab)(acd)>。

48 基本概念 后缀： 序列关于子序列 = <e1e2… em-1em’>的投影为’ = <e1e2… en> (n >= m)，则序列关于子序列的后缀为<em”em+1… en>， 其中em” = (em - em’) 例：对于 序列<(ab)(acd)>，其子序列<(b)>的投影是<(b)(acd)>，则<(ab)(acd)>对于<(b)>的后缀为<(acd)>。 ※ 总结：后缀即是投影去掉它自身；

49 <(abc)(ac)d(cf)> <(_bc)(ac)d(cf)> <(_c)(ac)d(cf)>
举例 例： <a(abc)(ac)d(cf)> <a> <(abc)(ac)d(cf)> <aa> <(_bc)(ac)d(cf)> <a(ab)> <a(abc)> <ab> <(_c)(ac)d(cf)>

50 基本概念 投影数据库：设为序列数据库S中的一个序列模式，则的投影数据库为S中所有以为前缀的序列相对于的后缀，记为S|

51 举例 例：对于如下的序列数据库生成一系列的投影数据库 Sid Sequence 10 <a(abc)(ac)d(cf)> 20
<(ad)c(bc)(ae)> 30 <(ef)(ab)(df)cb> 40 <(af)cbc>

52 举例 扫描序列数据库S，产生长度为1的序列模式有：<a> : 4, <b>:4, <c> : 4, <d> : 3, <e> : 3, <f> : 3 序列模式的全集必然可以分为分别以<a>，<b>，<c>，<d>，<e>和<f>为前缀的序列模式的集合，构造不同前缀所对应的投影数据库，结果如下页图所示

53 举例 Prefix Project Database <a>
<(abc)(ac)d(cf)> <(_d)c(bc)(ae)> <(_b)(df)cb> <(_f)cbc> <b> <(_c)(ac)d(cf)> <(_c)(ae)> <(df)cb> <c> <c> <(ac)d(cf)> <(bc)(ae)> <b> <bc> <d> <(cf)> <c(bc)(ae)> <(_f)cb> <e> <(_f)(ab)(df)cb> <(af)cbc> <f> <(ab)(df)cb> <cbc>

54 Prefix-Span算法描述 扫描序列数据库，生成所有长度为1的序列模式 根据长度为1的序列模式，生成相应的投影数据库
在相应的投影数据库上重复上述步骤，直到在相应的投影数据库上不能产生长度为1的序列模式为止 分别对不同的投影数据库重复上述过程，直到没有新的长度为1的序列模式产生为止 S11 …… … S1 … S S1n …… Sm Sm1 …… … Smp ……

55 算法伪码 PrefixSpan算法 输入：序列数据库S及最小支持度阈值min_sup 输出：所有的序列模式

56 算法伪码 子程序PrefixSpan(, L, S|)
参数： : 一个序列模式 ; L:序列模式的长度 ; S| :如果为空，则为S，否则为的投影数据库 扫描S|，找到满足下述要求的长度为1的序列模式b： b可以添加到的最后一个元素中并为序列模式 <b>可以作为的最后一个元素并为序列模式 对每个生成的序列模式b，将b添加到形成序列模式’，并输出’ 对每个’,构造’的投影数据库S|’ ,并调用子程序PrefixSpan(’, L + 1, S|’)

57 PrefixSpan算法 序列合并过程 序列s1与另一个序列s2合并，s2的最后一个单项可以作为最后一个单项合并到s1的最后一个单项中，也可以作为一个单独的单项。取决于以下条件： 如果s2的最后两个单项属于相同的元素，则s2的最后一个单项在合并后的序列中是s1的最后一个元素的一部分。 如果s2的最后两个单项属于不同的元素，则s2的最后一个单项在合并后的序列中成为连接到s1尾部的元素。

58 举例 minsup = 2 <(1, 2) (1,3)> <(3,4) (5, 6, 7)>
给定如下的序列数据库： Sid sequence 1 <(1, 2) (1,3)> 2 <(3,4) (5, 6, 7)> 3 <(1,3) (8) (7)> 4 <(8)>

59 举例 找出频繁单项：1，3，7，8；然后除去非频繁的单项： <(1) (1,3)> <(3)(7)>
Sid sequence 1 <(1) (1,3)> 2 <(3)(7)> 3 <(1,3)(8)(7)> 4 <(8)>

60 举例 为频繁1序列（频繁单项）生成投影数据库： <(1) (1,3)> <(3)(7)>
Sid sequence 1 <(1) (1,3)> 2 <(3)(7)> 3 <(1,3)(8)(7)> 4 <(8)> Sid Suffix for prefix <(1)> 1 <(1,3)> 3 <(_3)(8)(7)>

61 举例 为频繁1序列（频繁单项）生成投影数据库： <(1) (1,3)> <(3)(7)>
Sid sequence 1 <(1) (1,3)> 2 <(3)(7)> 3 <(1,3)(8)(7)> 4 <(8)> Sid Suffix for prefix <(3)> 1 <> 2 <(7)> 3 <(8)(7)>

62 举例 Suffix for prefix <(7)> 2 3 Suffix for prefix <(8)> 3
Sid Suffix for prefix <(7)> 2 <> 3 Sid Suffix for prefix <(8)> 3 <(7)> 4 <>

63 举例 在上面的投影数据库中，前缀<(1)>的投影数据库中还有频繁单项_3，前缀<(3)>的投影数据库中还有频繁单项7. 生成频繁2序列<(1,3)>，<(3)(7)>, 然后为其生成投影数据库.其中没有频繁项目，算法终止。 Sid Suffix for prefix <(1,3)> 1 <> 3 <(8)(7)> Sid Suffix for prefix <(3)(7)> 2 <> 3

64 PrefixSpan算法分析 PrefixSpan算法不需要产生候选序列模式，从而大大缩减了检索空间
相对于原始的序列数据库而言，投影数据库的规模不断减小 PrefixSpan算法的主要开销在于投影数据库的构造。可以通过伪投影技术进行效率提升。

65 伪投影 当数据库可以直接放入内存时，并不需要构造所有的序列模式对应的投影数据库，我们可以使用指向数据库中序列的指针及其偏移量作为伪投影
例子：假设上述序列数据库可以放入内存，在构造a投影数据库时，序列 S1 = <a(abc)(ac)d(cf)>所对应的伪投影为：一个指向S1的指针，指针偏移设定为2。同样的，序列S1的<ab>投影数据库对应的伪投影为：一个指向S1的指针，指针偏移设定为4

66 伪投影与物理投影对比 伪投影避免了物理投影拷贝后缀的过程 但是当数据库不可以放入内存中时，伪投影技术是非常低效的 建议策略:
当数据库可以存放入主内存中，伪投影在时间和空间上都是很高效的 但是当数据库不可以放入内存中时，伪投影技术是非常低效的 硬盘随机访问时很低效的 建议策略: 集成伪投影和物理投影技术 当数据集可以放入内存时候，使用伪投影技术

67 算法效率比较

68 伪投影与物理投影比较

69 闭序列模式挖掘 闭序列模式：如果不存在序列s'，其中s'是s的真超序列，并且s'与s具有相同的支持度，那么称s为闭序列模式
例子：以下序列哪一个为闭序列模式? <abc>: 20, <abcd>:20, <abcde>: 15 CloSpan:Mining Closed Sequential Patterns in Large Datasets Xifeng Yan. Jiawei Han

70 序列扩展 项集扩展： ，同时 序列扩展：

71 字典序树 字典序： ,同时 ，如果满足下列条件之一，则t<t' 举例：(a,f)<(b,f),(a,b)<(a,b,c)

72 字典序树 字典序序列 如果s'=s◊p,则s<s'；(序列大于它的前缀序列) 如果s=a◊ip，同时s'=a◊sp',无论p与p'之间的序列关系都有s<s'；(项集扩展小于序列扩展) 如果s=a◊ip，s'=a◊ip'，p<p'则有s<s'；(同种扩展与后缀大小相关) 如果s=a◊sp，同时s'=a◊sp'，p<p'则s<s'； 举例：<(ab)> < <(ab)(a)>,<(ab)> < <(a)(b)>

73 字典序序列树构造 字典序序列树构造

74 示例

75 示例

76 PrefixSpan算法

77 PrefixSpan算法 特点：在前缀搜索树上搜索所有的频繁项集 终止条件：序列s的投影数据库中序列的个数小于min_sup

78 优化策略 引理1：给定一个子序列s和它的投影数据库Ds. 如果存在a，a是Ds中所有具有相同扩展类型序列的公共前缀。那么对于任意的b，如果s◊b是闭的，a肯定是b的前缀。 即我们只需要搜索分支s◊a，而不用搜索分支s◊b。 举例：Ds={<(d)(e)(af)>,<(d)(e)(fg)>}，因为<(d)(e)>是Ds中的所有序列的公共前缀，因此D中以s为前缀但不包含序列<(d)(e)>的序列都不可能是闭序列。因此我们不需要构造序列s◊e

79 优化策略 引理2：给定一个序列s和它的投影数据库Ds. 如果存在a，对Ds中所有序列项a总是出现在项b之前（无论他们是在同一个元素中还是不同元素中），那么Ds◊a◊b=Ds◊b。因此对于任意的r，s◊b◊r不可能是闭序列。则不需要搜索分支s◊b

80 优化策略 投影数据库等价性

81 优化策略 引理3：给定两个序列s和s'，同时s是s'的子序列，且L(Ds)=L(Ds')，那么对于任意的r，support(s◊r)=supprot(s'◊r)

82 优化策略 推论1：如果一个序列s<s'并且 .如果有L(Ds) =L(Ds')，那么就不需要在继续搜索s'在前缀搜索树上的分支。称s'是s的一个向后子模式 举例：对于如下序列数据库有L(D<(f)>)=L(D<(af)>)，则可以得出D<(f)>=D<(af)>.即：不需要一一比较D<(f)>和D<(af)>z中的所有序列是否相等，而只需要比较这两个集合的大小即可

83 优化策略 推论2：如果一个序列s<s'并且 .如果有L(Ds) =L(Ds')，那么就可以利用s分支代替搜索s'在前缀搜索树上的分支。称s'是s的一个向后超模式 举例：对于如下序列数据库有L(D<(b)>)=L(D<(e)(b)>)，则可以得出D<(b)>=D<(e)(b)>.即：不需要增长序列<(e)(b)>,因为<(e)(b)>的投影数据库与<(b)>的投影数据相同

84 CloSpan算法

85 CloSpan算法

86 Prefix-Span与Clospan的比较

87 利用SPSS软件挖掘频繁序列模式

88 利用SPSS软件挖掘频繁序列模式 实验主题 实验任务 应用序列模式挖掘购物篮，建立聪明的 营销策略
应用序列模式挖掘购物篮，建立聪明的 营销策略 实验任务 利用IBM SPSS Modeler软件提供的序列模式挖掘功能对购物篮进行序列模式挖掘，更深入的挖掘超市购物记录，建模后分析实验结果，并完成实验报告。

89 案例分析 案例分析 实验将采用购物篮作为实验案例，输入数据如下表所示，给出了五个用户的购物清单： <a(bd)bcb(ade)>
5 <(be)(ce)d> 4 <(ah)(bf)abf> 3 <(bf)(ce)b(fg)> 2 <(bd)cb(ac)> 1 Sequence Seq. ID

90 实验步骤 1. 打开软件Clementine 12.0后如下图所示：

91 实验步骤 2.首先我们要将需要分析的购物篮数据输入到软件中，这里我们采用手动输入的方式
在“选项板区”找到“源”中的“手动输入”，双击“手动输入”，将其添加到数据流区域，如下图：

92 实验步骤 双击数据流区域的“用户输入”，得到如下对话框：

93 实验步骤 选中“生成数据”的方式为“状况良好”，并输入数据如下：
id代表用户id，time标识购物的先后顺序，a-h代表商品，F代表未购买，T代表已购买。值区域每一列代表一个购物项。如第一列的含义为：用户1第1次购买的商品为b和d。

94 实验步骤 点击上图中的“类型”，修改“方向”栏如下：

95 实验步骤 3.要分析的数据输入完毕后，我们需要选择分析数据的模型，这里我们选择“序列”模型对数据进行分析。
单击选中数据流区域的“用户输入”，再双击“选项板区”中“建模”下的“序列”，将其添加至数据流区域，它将自动与“用户输入”连接，如下：

96 实验步骤 双击数据流区域的“无目标”，得到对话框如下：

97 实验步骤 将对话框填写如下，点击“执行” 注：点击 可以看到可选字段。

98 实验步骤 你将在右上角看到分析结果节点，如右图： 双击“id”将其添加到数据流区域，如下：

99 实验步骤 双击数据流区域中的“id”，得到分析结果如下：

100 实验步骤 点击上图中的“ ”，选择“显示全部”，则实验结果如下：

101 实验结果分析

102 实验结果分析 下面我们以 为例，对实验结果进行分析。第一栏为前项，其有两行构成，表示先购买c，再购买b。后项为d。实例为1，表示先购买了c，再购买了b，则之后购买了d的个体个数。规则支持为20%，即实例与样本总体的比值，即1/5。出现前项的个体个数，即先购买了c，再购买了b的个体个数，为3个，故置信度为实例/前项的个体个数，即1/3，为33.333%。而支持度与时间先后无关，则它表示购买了b、c、d三件商品的个体个数与样本总体的比值，而购买了b、c、d三件商品的个体个数为3个，则3/5等于60%。

103 Thank you!