【SPMF开源数据挖掘平台入门】MaxSP算法使用说明
前段时间，由于项目中用到了序列挖掘的算法，师兄推荐我用用SPMF。在此做个记录。
首先简单介绍一下SPMF：
SPMF是一个采用Java开发的开源数据挖掘平台。
它提供了51种数据挖掘算法实现，用于：
- 序列模式挖掘,
- 关联规则挖掘，
- frequent itemset 挖掘,
- 顺序规则挖掘，
- 聚类
首先还是学习一下序列挖掘的有关概念：
所谓序列模式，我的定义是：在一组有序的数据列组成的数据集中，经常出现的那些序列组合构成的模式。跟我们所熟知的关联规则挖掘不一样，序列模式挖掘的对象以及结果都是有序的，即数据集中的每个序列的条目在时间或空间上是有序排列的，输出的结果也是有序的。 举个简单的例子来说明，关联规则一个经典的应用是计算超市购物中被共同购买的商品，它把每个顾客的一次交易视作一个transaction，计算在不同transaction中不同item组合的规律性。而如果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，N个用户的购买序列就组成一个规模为N的序列数据集。考虑这些时间上的因素之后，我们就能得到一些比关联规则更有价值的规律，比如关联挖掘经常能挖掘出如啤酒和尿布的搭配规律，而序列模式挖掘则能挖掘出诸如《育儿指南》->婴儿车这样带有一定因果性质的规律。所以，序列模式挖掘比关联挖掘能得到更深刻的知识。 在实际当中，序列模式挖掘被广泛地应用于各种序列数据集中，如生物信息学上的基因微阵列数据，从中挖掘哪些基因组合模式在某类病人中会频繁出现；以单词作为item的文档序列，研究在不同文档中单词序列的出现模式；用户点击流数据，用于挖掘用户的频繁点击模式，建立用户模型，完善网站功能与UI结构。除此之外还有很多，只要是序列数据集，都可以考虑利用序列模式挖掘获得规律。 图1是一个序列数据库，及其以0.75作为最小阈值（min_sup）的频繁序列模式。借此介绍序列挖掘中的几个主要概念。
图1 简单的序列数据库，基本概念
序列（Sequence）：以SID表示，一个序列即是一个完整的信息流。 项目（Item）：序列中最小组成单位的集合，比如在这个样例中的项目为{A, B, C}。 事件（Event）：通常用时间戳标志，标识事件之间的前后关系。又叫Itemset，是Item的集合，样例中以EID表示。 k频繁序列：如果频繁序列的项目个数为k，则称之为k频繁序列，以Fk表示（图1的F1,F2,F3）。 序列的包含关系：对于序列x和y，如果存在着一个保序的映射，使得x中的每个事件都被包含于y中的某个事件，则称为x被包含于y（x是y的子序列），例如序列B->AC是序列AB->E->ACD的子序列。 支持度（support）：某序列x的支持度是指在整个序列集中包含x的序列的频次。 有了以上概念之后，序列模式挖掘的问题就定义为：给定一个序列数据库以及最小支持度min_sup，找出所有支持度大于min_sup的序列模式。 （引自：http://www.360doc.com/content/11/0924/09/7511080_150810319.shtml）
MaxSP算法介绍：(来自spmf中，MaxSP算法ppt中的例子)
也就是说，我在有一个上图的database的情况下，可以利用算法挖掘出支持度大于minsup的pattern。
可以看到，算法找出的是最大序列模式——maximal sequential patterns
首先对pattern做了分类：1：sequential patterns;2:closed patterns;3:maximal patterns
如何判断是否为最大Maximal呢？
什么意思呢？如下例子：
因为有{{a},{g}}，所以虽然{{a}}的支持度大于minsup，但还是不会被输出，因为他不是maximal。
以使用MaxSP算法为例，来介绍SPMF的使用：
Algorithm——算法说明pdf+ppt下载下来
打开ppt可以看到对MaxSP的介绍：（ppt和pdf的内容基本相同）
download——源码，jar包
document——example
找到MaxSP即可看到算法说明：
里面说了有三种方式可以执行算法：
1：可视化的界面：http://www.philippe-fournier-viger.com/spmf/how_to_run_graphical_interface.php
2：命令行运行；
3：IDE中，直接copyMainTestMaxSP_saveToFile.java
如果你用的是eclipse的话，只需要把输入按照规定的格式改好，然后做一下简单的修改就可以用啦。
这里附上demo供大家参考：https://github.com/XBWer/SPMF_MaxSP