杨鸿茜，武优西*，耿萌，刘靖宇，李艳

（1.河北工业大学人工智能与数据科学学院，天津 300401；2.河北工业大学经济管理学院，天津 300401）

0 引言

随着大数据的发展和应用，如何高效地挖掘出数据背后的潜在信息并将这些信息整合利用到更深层次的研究中变得尤为重要。序列模式挖掘（SPM）［1-2］作为数据挖掘［3-4］领域的一个重要子课题，被广泛应用于脱氧核糖核酸（DNA）检测［5-6］、生物遗传学［7-8］、文本检索［8-9］、股票预测［9-10］等领域。

传统的SPM 方法［11-12］只考虑模式在序列中是否出现，而忽略了模式的重复性。因此，为了更加灵活地应对用户的挖掘需求，发现更有价值的模式，带间隙约束的可重复SPM 方法应运而生。根据模式的出现形式可以将其分为4 种情况，即无特殊条件［13］、无重叠条件［14-15］、不相交条件［16-17］和一次性条件［18-19］。其中，一次性条件［20-21］是指序列中的任何项目只能被模式匹配一次，这种约束条件既规避了结果集爆炸的问题，又尽可能地避免遗漏重要的信息。

在传统的间隙约束序列模式挖掘中，模式的每一项都被认为具有相同意义，这与实际情况是不符的。比如，商人会更关注高利润的商品，股民会更关注波动较大的股票市场信息。因此，弱间隙约束的概念被提出并用于序列模式挖掘领域，即仅挖掘那些用户更感兴趣的项，而忽略其他不重要的项。文献［22］提出了一次性弱间隙强模式挖掘（OWSP-Miner）算法，可以实现在单项序列中挖掘一次性自适应弱间隙强模式。

但是上述算法只能在一种特殊序列中进行挖掘，即单项序列。……