Automated synthesis of frequent event-sequences corpus from large-scale textual data and its application to WEB content tracking

大规模文本数据频繁事件序列语料库的自动合成及其在WEB内容跟踪中的应用

• 批准号: 16500078
• 负责人: IWANUMA Koji
• 金额: $ 2.3万
• 依托单位: University of Yamanashi
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2004
• 资助国家: 日本
• 起止时间: 2004 至 2006
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-16500078/
• 关键词: sequential data mining; frequent sequence; text; WEB; online algorithm; newspaper article; relaxation method; event sequence corpus; プラウジング支援; データマイング

This research we studied and developed the following technologies:1. a novel and rational frequency measure, called Total Frequency Measure, which satisfies anti-monotonic property and never causes duplicated counting within a very long single data sequence.2. a online fast sequential data mining algorithm for extracting frequent subsequences within the framework of a infinite-length window.3. a fast sequential mining algorithm based on the relaxation method which is intended for use for the framework of a finite-length window.4. a intelligent sequential data mining method which uses an integrated occurrence criteria of frequency and information gain for subsequences.5. a sequential pattern mining method for WEB access logs, which enables us to analyze access log data with considering page-staying time sequences6. a new method for extracting important key words and/or phrases from newspaper articles in a huge newspaper corpus.We showed the significance of the above technologies throughout huge amounts of experiments for evaluation.

本研究主要研究和开发了以下技术：1.提出了一种新的合理的频率测度，称为总频率测度，它满足反单调性，并且在很长的单数据序列中不会引起重复计数.提出了一种在无限长窗口框架下提取频繁序列的在线快速序列数据挖掘算法.提出了一种基于松弛法的快速序列挖掘算法，该算法适用于有限长窗口的框架.提出了一种智能序列数据挖掘方法，该方法采用频率和信息增益的综合发生准则来进行序列数据挖掘.一种WEB访问日志的序列模式挖掘方法，该方法能够在分析访问日志数据时考虑页面停留时间序列.一种从大型报纸语料库中的报纸文章中提取重要关键词和/或短语的新方法。我们通过大量的实验评估表明了上述技术的重要性。

项目成果

専門検索エンジンの高速半自動生成法

专业搜索引擎的快速半自动生成方法

• 发表时间: 2006
• 期刊: 第5回情報科学技術レターズ LL-005
• 作者: 宮川礼子;鈴木 悠生;鍋島英知;岩沼宏治
• 通讯作者: 岩沼宏治

極大系列抽出を目的とする系列包含検査の高速化アルゴリズム

一种旨在提取最大序列的序列包含测试的高速算法

• 发表时间: 2006
• 期刊: 電子情報通信学会技術研究報告 AI2006-13
• 作者: 市川博規;岩沼宏治;鍋島英知
• 通讯作者: 鍋島英知

専門検索エンジンの半自動生成を目的とした類似度に基づくWEB学習データの精製

基于相似性的网络学习数据细化，用于半自动生成专业搜索引擎

• 发表时间: 2006
• 期刊: 電子情報通信学会技術研究報告
• 作者: 宮川礼子;岩沼宏治;鍋島英知
• 通讯作者: 鍋島英知

背景記事集合の類似度に基づく新聞記事のクラスタリング

基于背景文章集相似度的报纸文章聚类

• 发表时间: 2006
• 期刊: 電子情報通信学会技術研究報告
• 作者: 広瀬千夏;岩沼宏治;鍋島英知
• 通讯作者: 鍋島英知

緩和法に基づく系列データからの頻出部分系列の高速マイニング

基于松弛法的序列数据频繁子序列高速挖掘

• 发表时间: 2006
• 期刊: 第5回情報科学技術レターズ LF-006
• 作者: 丸山育嗣;岩沼宏治;鍋島英和
• 通讯作者: 鍋島英和