Porovnání metod pro dolování sekvenčních vzorů

Bc. Lukáš Suchánek

Master's thesis

Comparison of sequence pattern mining

Abstract:

Tato diplomová práce se zabývá dolováním častých sekvenčních vzorů ze sekvenčních databází. Cílem bylo porovnat existující metody pro dolování častých sekvenčních vzorů na reálných i generovaných datech, která mají rozdílné statistické vlastnosti, jako je například počet sekvencí, počet unikátních prvků nebo délka sekvencí. Nejprve bylo potřeba nastudovat a vybrat algoritmy pro porovnání. Byly vybrány algoritmy GSP, Spade, Spam a PrefixSpan. Následně bylo potřeba vybrat datové sady, na kterých budou algoritmy porovnávány. Jako poslední krok byly provedeny sady experimentů a z výsledků vyvozeny závěry. Nejrychlejším algoritmem byl PrefixSpan následovaný Spam a Spade a nejpomalejším byl algoritmus GSP. Naopak paměťově nejméně náročným algoritmem byl GSP následovaný Spade. Paměťově nejnáročnější algoritmy byly PrefixSpan a Spam. Z výsledků provedených experimentů vyplývá, že nejrychlejší algoritmy mají vysoké nároky na paměť a obráceně, pomalé algoritmy mají nižší nároky na paměť.

Abstract:

This diploma thesis deals with frequent sequence mining from sequence databases. The aim was to compare existing methods for frequent sequence mining on real and generated data that have different statistical properties, such as the number of sequences, the number of unique elements or the length of the sequences. First, it was necessary to study and select algorithms for comparison. The GSP, Spade, Spam and PrefixSpan algorithms were selected for this work. Subsequently, it was necessary to select the datasets on which the algorithms will be compared. As the last step, sets of experiments were performed and conclusions were drawn from the results. The fastest algorithm was PrefixSpan followed by Spam and Spade and the slowest was GSP. By contrast, the least memory-intensive algorithm was GSP, followed by Spade. The most memory-intensive algorithms were PrefixSpan and Spam. The results of the experiments show that the fastest algorithms have high memory requirements and vice versa, slow algorithms have lower memory requirements.

Keywords

sekvence, dolování častých sekvenčních vzorů, dolování častých sekvencí, GSP, SPAM, SPADE, PrefixSpan, dolování dat

Language used: Czech

Date on which the thesis was submitted / produced: 18. 5. 2021

Thesis defence

• Date of defence: 25. 6. 2021
• Supervisor: RNDr. Jakub Peschel
• Reader: RNDr. Michal Batko, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Big data