cbs stock symbol的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

從序列資料庫中探勘和擷取循序型樣

為了解決cbs stock symbol的問題，作者左聰文 這樣論述：

近年來由於大量序列資料的成長，像是顧客的交易依照購買時間排序（顧客序列）和事件序列。因此，有效率及正確地分析這些資料和應用所分析的結果已成為現今重要的課題。在此論文，我們提出了一架構從序列資料庫中推導和擷取有意義的法則。在此架構中，我們從顧客交易序列中推導出顧客的購買行為（序列法則，sequence rules）以利於一些應用，例如：商品的推薦。另一方面，我們應用從過去發生事件的序列中所推導出的法則（事件法則，episode rules）來預測未來的事件。在這兩個工作主題中，我們分別發展了有效率、具正確性的序列探勘和法則擷取的方法。從大量顧客序列中所探勘出的序列法則：X�訝將有助於商品的推薦

。一序列法則：X�訝的含意在於假如一位顧客有相對於X（前項，predicate）序列中所描述的購買行為，此顧客可能就會買在Y（後項，consequent）中所描述的商品。我們說一個序列（由多個項目集合以有序的方式排列而成）為頻繁的（frequent），假如包含此序列的顧客序列數目達到由使用者定義一個臨界值。一1-序列為一特別的序列，因為它只包含了一個項目集合而不是一有序排序。而k-序列為一包含k個項目集之序列。比較探勘1-序列和探勘k-序列（k大於等於2），前者所耗費的時間比後者來得微小許多。在本論文中，我們採用一二-階段的架構來分別探勘出兩種形式的頻繁序列（1-序列和k-序列）。採用二-階段

的架構可以在單獨探勘頻繁k-序列的情況之下，設計出更有效率的演算法。在探勘頻繁k-序列中，每一頻繁1-序列通常都會被編碼成為一新的項目（編碼的目的是為了完整的探勘出頻繁k-序列），而顧客序列也會根據其所包含的頻繁1-序列而被轉換成只有包含該頻繁1-序列的顧客序列。在本論文中，我們發現並非所有的頻繁1-序列都要被編碼並且利用已探勘出的頻繁2-序列來編碼，因此，所轉換出來的資料庫大小因而小很多。對於每個轉換後的顧客序列會被一遍遍的掃描直到所有的頻繁序列都找出來為止。我們發展出一種較有效率的方式來表示顧客序列，在此表示之下，我們可以列舉出該顧客序列包含的所有子序列且不會重覆列舉。在一些應用中，例如，

在電信網絡中的警報或者是股票的變動都可以視為事件，而這些事件產生的速度通常都呈現串流的特質。在這些應用中，預測將發生的事件是非常重要的。在一事件串流中，我們稱一連串的流入事件在限定的時間範圍內比對到一事件法則的前項為一該前項的事例。在比對到此事例後，對應到事件法則的後項事件將可以預測其會發生在未來的一段時間範圍之內。然而在這個問題之下，我們發現有些後項事件的發生時間點會被重覆的計算，這些時間點變成是對預測沒有幫助且多餘的。因此，我們的問題在於如何避免重覆預測事件。在本論文中，我們首先提出一有效的比對規範來避免比對那些預測多餘時間點的前項事例。基於所發展的規劃，我們提出了兩個演算法來有效率比對前

項事例。第一個演算法為每一個法則前項建構一事件過濾器。當事件不斷的流入時，此事件過濾器可以馬上判斷該事件是否可以構成前項事例的一部份而將之留下來。在這樣的方式之下，我們可以馬上判斷是否已經比對到一前項事例，而且可以避免在事件串流上回溯去比對前項事例。另一方面，第二個方法首先建構一有效率的樹狀結構（索引）來儲存流入的事件。在這個方法中，我們平時只要維護該樹狀結構，只有等到一些關鍵的事件進入時才到結構中比對前項事例。基於此樹狀結構，我們發展了有效率的比對方法，此方法可以避免一一的去掃描結構中的每個事件。