可决策的组合高效用序列模式挖掘关键技术研究

The traditional high utility sequential patterns mining approaches do not consider the coupling relationships between patterns, which results in that all the mined patterns cannot be used for practical decision-making. Actionable combined high utility itemsets mining that analyzes the relationships between patterns has not been applied to sequential pattern mining. Consequently, decision-makers cannot accurately recommend commodities to their users. To tackle these issues, this project researches on the key technologies of actionable combined high utility sequential patterns mining and then researches on high utility sequential pattern mining and user privacy information hiding on spatiotemporal data. Firstly, it researches on the related concepts of combined patterns, the efficient pruning strategies and the corresponding approach of actionable combined high utility sequential patterns mining, in order to capture the coupling relationships between patterns. Secondly, the approaches of spatiotemporal information representation and extraction, and the corresponding approach of spatiotemporal high utility sequential patterns mining are studying for tackling the problem of accurately commodities recommendation on spatiotemporal data. Finally, this project addresses the problem of user privacy protection through identifying and eliminating user privacy information on spatiotemporal data, and researches on the corresponding approach of hiding spatiotemporal high utility sequential patterns. In consequence, high utility sequential patterns that can help to make better practical decisions and protect user privacy information simultaneously are mined to provide the way of commodities recommendation for decision-makers, which is significant in academia as well as application.

传统的高效用序列模式挖掘方法未分析模式之间的关联关系，导致挖掘出的模式不能全部用于实际决策，而可决策的组合效用项集挖掘虽分析了模式之间的关系，但未应用于序列模式挖掘，导致决策者无法精准的进行商品推荐。为此，本项目针对可决策的组合高效用序列模式挖掘关键技术展开研究，并在此基础上研究时空数据中的高效用序列模式挖掘和用户隐私信息隐藏。首先，研究组合模式相关定义、高效的剪枝策略及相应的可决策组合高效用序列模式挖掘方法，以解决模式之间的关联关系问题；其次，研究时空数据中时空信息表示方法、抽取方法及相应的时空高效用序列模式挖掘方法，以解决商品精准推荐问题；最后，研究时空数据中用户隐私信息的鉴别方法、消除方法及相应的时空高效用序列模式隐藏方法，以解决用户隐私保护问题。本项目可挖掘出既能用于实际决策、又能保护用户隐私的高效用序列模式，为决策者精准进行商品推荐提供新思路，具有重要的学术价值和实用价值。

现有的高效用序列模式挖掘方法仅考虑了项的数量和单位效用因素，而忽略了模式之间的关联关系问题、序列的稳定性时间周期问题、数据的隐私安全问题以及未发生项的效用值问题。为此，项目组针对以上问题，提出了一系列解决方案，从而挖掘出更加有价值的模式，为决策制定提供更加全面的信息。具体为：. （1）针对现有算法未考虑模式之间的关联关系问题，提出了可决策的组合高效用序列模式挖掘方法及组合模式相关定义、高效的剪枝策略，以发现数据背后潜藏的有价值的序列模式。. （2）针对现有算法未考虑序列的稳定性时间周期问题，提出了基于稳定性时间周期约束的高效用序列模式挖掘方法，引入了稳定性时间周期概念，从而挖掘出时间周期内经常出现的、稳定出现的、高效用值的序列模式。. （3）针对目前算法在处理数据的隐私安全问题方面并未考虑数据库的完整性问题，提出了基于权重的高效用序列模式隐藏方法，降低共享数据的可分析性，保证数据在一定程度上的隐私，同时保证数据库的完整性。. （4）针对目前算法在挖掘高效用序列模式时并未考虑未发生项的效用值，提出了高效用负序列规则挖掘方法，从挖掘的高效用负序列模式中生成高效用负序列规则，以提供更加全面的决策信息。. 项目组取得的研究成果为后续在高效用序列模式挖掘方面研究打下了坚实的基础。这些研究成果可以挖掘出更加全面、可行、有用的序列模式，并广泛的用于多个领域，比如对交通拥堵趋势分析与预测，公司库存及资金支出方案调整，防止隐私泄露等，有着巨大的市场需求和广阔的应用前景。