[论文解读] 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 18

一句话总结

本文提出了一种约束规划（CP）框架，用于在序列数据库中挖掘序列模式，支持在多种复杂约束（如频率、封闭性、正则表达式及特定项目条件）下统一建模并高效发现模式。该方法在从PubMed文章中提取与生物医学相关的基因-疾病关系模式方面展现出可行性与有效性，相较于现有专用方法在表达能力和灵活性方面表现更优，同时保持了正确性与完备性。

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.

研究动机与目标

• 为解决在复杂、异构约束下缺乏通用且可扩展的序列模式挖掘方法的问题。
• 在单一框架中统一处理单调、反单调及非单调约束（如正则表达式、聚合函数）。
• 使用户能够同时组合多种约束类型，而无需重新设计算法。
• 通过真实世界的生物医学案例研究，证明CP在序列模式挖掘中的可行性和实际价值。
• 提供一种灵活、声明式的替代方案，以替代现有缺乏可扩展性的专用算法。

提出的方法

• 将序列模式挖掘建模为约束满足问题（CSP），其中模式即为满足一组用户定义约束的解。
• 将序列表示为项目有序列表，并通过基于索引的嵌入方式定义子序列包含关系（即 $s_1 \preceq s_2$）。
• 将最小支持、封闭性、间隔约束、正则表达式及项目特定条件等约束直接编码到CP模型中。
• 使用CP求解器对满足完整约束集的所有有效序列模式进行正确且完备的枚举。
• 构建CP模型，通过约束传播与搜索空间剪枝避免冗余模式的生成。
• 将该模型应用于基于PubMed的案例研究，通过语言学与语义约束提取与基因-RD（罕见病）关系相关的模式。

实验结果

研究问题

• RQ1 约束规划能否提供一个统一且可扩展的框架，用于在多样化约束下挖掘序列模式？
• RQ2 与现有专用算法相比，基于CP的方法在表达能力和灵活性方面表现如何？
• RQ3 CP模型在从真实世界生物医学文本中有效提取语义上有意义的序列模式方面，其效果如何？
• RQ4 当处理大规模序列数据库及低支持阈值时，CP方法的计算可扩展性如何？
• RQ5 CP模型能否在单一、一致的框架中成功组合非单调约束（如正则表达式）与频率及封闭性约束？

主要发现

• 基于CP的方法成功挖掘出所有满足给定约束的封闭序列模式，结果与参考方法一致，证实了其正确性与完备性。
• 在包含200个句子的PubMed数据集中，该方法以2%的最小支持率提取出129个封闭模式，耗时1,105秒。
• 该方法识别出三种具有生物医学意义的语言学模式，其中包括一个表达因果关系的模式：$\langle(DISEASE)~{}(be)~{}(cause)~{}(by)~{}(mutation)~{}(in)~{}(the)~{}(GENE)\rangle$。
• 当最小支持阈值为2%时，对于300个句子及以上规模的数据集，该方法在10小时内未能完成，表明在低频约束下存在可扩展性限制。
• 该方法在表达能力方面表现优越，能够同时处理频率、封闭性、正则表达式及间隔约束——这些特性在现有算法中尚无法以统一方式支持。
• 随着支持阈值降低，运行时间显著增加，尤其在大规模数据集上，这是由于搜索空间呈指数级增长，且找到首个解所需时间变长。