Sequential Pattern Mining** คือการทำเหมือง frequently occurring ordered events หรือ subsequences เป็น patterns ตัวอย่าง sequential pattern คือ users ที่ซื้อ Canon digital camera มักซื้อ HP color printer ภายในหนึ่งเดือน
สำหรับ retail data sequential patterns มีประโยชน์สำหรับ shelf placement และ promotions อุตสาหกรรมนี้ และ telecommunications และธุรกิจอื่นๆ ใช้ sequential patterns สำหรับ targeted marketing, user retention และงานอื่นๆ
มีหลายพื้นที่ที่ sequential patterns ใช้ได้ เช่น Web access pattern analysis, weather prediction, production processes, web intrusion detection
กำหนด set of sequences ที่แต่ละ sequence มี list of events (หรือ elements) และแต่ละ event มี set of items กำหนด user-specified minimum support threshold min_sup Sequential pattern mining หา all frequent subsequences คือ subsequences ที่ occurrence frequency ใน set of sequences ไม่ต่ำกว่า min_sup
ให้ I = {I1, I2,..., Ip} เป็น set ของ all items Itemset คือ nonempty set of items Sequence คือ ordered list of events Sequence s แทนด้วย {e1, e2, e3 … el} โดย event e1 เกิดก่อน e2 ซึ่งก่อน e3 เป็นต้น Event ej เรียกว่า element ของ s
ในกรณี user purchase data event แทน shopping trip ที่ customer ซื้อ items ที่ร้านเฉพาะ Event คือ itemset คือ unordered list ของ items ที่ซื้อใน trip Itemset (หรือ event) แทนด้วย (x1x2···xq) โดย xk คือ item
Item อาจปรากฏเพียงครั้งใน event ของ sequence แต่อาจปรากฏหลายครั้งใน events ต่างๆ ของ sequence จำนวน instances ของ items ใน sequence เรียกว่า length of sequence Sequence ที่มี length l เรียกว่า l-sequence
Sequence database S คือ collection of tuples (SID, s) โดย SID คือ sequence_ID และ s คือ sequence เช่น S มี sequences สำหรับ users ทั้งหมดของร้าน Tuple (SID, s) contain sequence α ถ้า α เป็น subsequence ของ s
Phase นี้ของ sequential pattern mining เป็น abstraction ของ user-shopping sequence analysis Scalable methods สำหรับ sequential pattern mining บน records เหล่านี้มีดังนี้ −
หลาย sequential pattern mining applications ไม่ได้ cover โดย phase นี้ ตัวอย่าง การวิเคราะห์ Web clickstream sequences gaps ระหว่าง clicks สำคัญถ้าต้องการ predict next click ใน DNA sequence analysis approximate patterns มีประโยชน์เพราะ DNA sequences อาจมี insertions, deletions, mutations ความต้องการหลากหลายเหล่านี้มองได้เป็น constraint relaxation หรือ application
