[論文レビュー] A Constraint Programming Approach for Mining Sequential Patterns in a Sequence Database

Jean-Philippe Métivier, Samir Loudni+1 more|arXiv (Cornell University)|Nov 27, 2013

Data Mining Algorithms and Applications参考文献 23被引用数 18

ひとこと要約

本稿は、多様で複雑な制約（頻度、閉包性、正規表現、アイテム固有の条件など）の下で、一連のパターンを統合的かつ効率的にモデル化・発見できる制約プログラミング（CP）フレームワークを提案する。このアプローチは、PubMedの記事から生物学的に関連性のある遺伝子-疾患関係のパターンを抽出する上で実用性と有効性を示し、表現力と柔軟性に優れつつも、妥当性と完全性を保ちながら、特化した手法を上回る性能を発揮する。

ABSTRACT

Constraint-based pattern discovery is at the core of numerous data mining tasks. Patterns are extracted with respect to a given set of constraints (frequency, closedness, size, etc). In the context of sequential pattern mining, a large number of devoted techniques have been developed for solving particular classes of constraints. The aim of this paper is to investigate the use of Constraint Programming (CP) to model and mine sequential patterns in a sequence database. Our CP approach offers a natural way to simultaneously combine in a same framework a large set of constraints coming from various origins. Experiments show the feasibility and the interest of our approach.

研究の動機と目的

• 複雑で多様な制約の下で逐次パターンを抽出するための汎用的かつ拡張可能な手法の不足に対処すること。
• 単調性、反単調性、非単調性の制約（例：正規表現、集計）を統合的に扱えるフレームワークを統一的に構築すること。
• ユーザーが複数の制約タイプを同時に組み合わせて使用できるようにし、アルゴリズムの再設計を不要とすること。
• 実世界の生物学的ケーススタディを通じて、CPが逐次パターン抽出において実用的かつ妥当であることを実証すること。
• 拡張性に欠ける既存の特化したアルゴリズムとは対照的に、柔軟で宣言的な代替手法を提供すること。

提案手法

• パターンをユーザーが定義した制約を満たす解として定式化し、逐次パターン抽出を制約充足問題（CSP）としてモデル化する。
• シーケンスをアイテムの順序付きリストとして表現し、インデックスベースの埋め込み（すなわち、$s_1 \preceq s_2$）を用いて部分列の包含関係を定義する。
• 最小サポート、閉包性、ギャップ制約、正規表現、アイテム固有の条件といった制約を直接CPモデルにエンコードする。
• CPソルバを用いて、全制約を満たす有効な逐次パターンを妥当かつ完全に列挙する。
• 制約伝播と探索空間の剪定を活用して、重複するパターンの生成を回避するCPモデルを構築する。
• PubMedベースのケーススタディにモデルを適用し、言語的および意味的制約を用いて遺伝子-RD（希少疾患）関係に関連するパターンを抽出する。

実験結果

リサーチクエスチョン

• RQ1 制約プログラミングは、多様な制約の下で逐次パターン抽出を統合的かつ拡張可能に可能にするフレームワークを提供できるか？
• RQ2 既存の特化したアルゴリズムと比較して、CPベースのアプローチは表現力と柔軟性において優れているか？
• RQ3 CPモデルは、実世界の生物学的テキストから意味的に有意な逐次パターンを効果的に抽出できるか？
• RQ4 低頻度の制約を伴う大規模なシーケンスデータベースを処理する際、CPアプローチの計算スケーラビリティはどの程度か？
• RQ5 CPモデルは、非単調性の制約（例：正規表現）を頻度制約および閉包性制約と同時に統合的に扱うことができるか？

主な発見

• CPベースのアプローチは、指定された制約を満たすすべての閉包逐次パターンを正しく発見し、基準手法の結果と一致した。これにより、妥当性と完全性が確認された。
• 200文のPubMedデータセットに対して、2%の最小サポートで129個の閉包パターンを抽出し、処理時間は1,105秒で完了した。
• 生物学的に有意義な3つの言語的パターンが同定され、そのうち1つは因果関係を表現していた：$\langle(DISEASE)~{}(be)~{}(cause)~{}(by)~{}(mutation)~{}(in)~{}(the)~{}(GENE)\rangle$。
• 2%の最小サポート閾値において、300文以上のデータセットでは10時間以内に処理を完了できず、低頻度制約下でのスケーラビリティの限界が示された。
• 既存のアルゴリズムが統合的に対応できない中、頻度、閉包性、正規表現、ギャップ制約を同時に扱えるという点で、表現力に優れたことが実証された。
• サポート閾値が低下するにつれて、特に大規模データセットでは探索空間の指数的増加に伴い、最初の解が得られるまでの時間が著しく延長された。