模式挖掘是一个比频繁挖掘模式更一般的术语，因为前者还涵盖了稀有模式和负模式。然而，在没有歧义时，两者可以互换地使用。
模式挖掘路线图
分类
- 基本模式
- 基于模式所涉及的抽象层
- 基于规则或模式所涉及的维数
- 基于规则或模式中所处理的值类型
- 基于挖掘选择性模式的约束或标准
- 基于所挖掘的数据类型和特征
多层、多维空间中的模式挖掘
- 挖掘多层关联规则
对于所有层使用一致的最小支持度——一致支持度
在较低层使用递减的最小支持度——递减支持度
使用基于项或基于分组的最小支持度——基于分组的支持度
- 挖掘多维关联规则
使用量化属性的静态离散化挖掘多维关联规则
- 挖掘量化关联规则
1.数据立方体方法
2.基于聚类的方法
3.解释异常行为的统计学方法
- 挖掘稀有模式和负模式
基于约束的频繁模式挖掘
- 元规则制导的挖掘
- 基于约束的模式产生：模式空间剪枝和数据空间剪枝
1.用模式剪枝约束对模式空间剪枝
模式剪枝约束分为五类：
反单调的：如果一个项集不满足规则约束，则它的任何超集不可能满足该约束
单调的：如果一个项集满足这个规则约束，则它的所有超集也满足。
简洁的：可以枚举并且仅枚举可以确保该约束的所有集合，该类约束不必迭代检验
可转变的：不属于以上三类，但该约束在项集一特定次序排列时可能成为单调的或反单调的。
不可转变的：大部分都属于以上四类。
2.用数据剪枝约束对数据空间剪枝
挖掘高维数据和巨型模式
模式融合
基本思想：融合少量较短的频繁模式，形成巨型模式候选。首先，他以有限的宽度遍历树，只使用有限大小的候选池中的模式作为模式树向下搜索的开始结点，避免了指数搜索空间问题。它产生巨型模式的近似解，可以找出大部分巨型模式。
步骤：1. 池初始化：一个短长度（长度不超过3）频繁模式的完全集。
2. 迭代的模式融合：从当前池中随机选取k个种子，对每个种子找出直径为T的球内所有模式，将这些球融合成超模式集。由于每个超模式的支集随迭代而收缩，因此迭代过程终止。
模式融合合并打魔石的小的子模式，而不是用单个项增量地扩展模式。
核模式
挖掘压缩或近似模式
基于聚类的压缩：采用一个好的相似性度量，把相似的对象聚合到一个簇中，代表模式从每个簇中选取，从而提供频繁模式集的一个压缩版本。
模式距离：闭模式之间的距离度量。包含模式的支持度信息。
感知冗余的top-k模式：具有低冗余的k个代表模式的小集合。一种减少挖掘返回的模式数量的策略。
闭模式：频繁模式集的无损压缩
极大模式：有损压缩
模式挖掘的应用
1). 作为预处理，用于噪声过滤盒数据清理
2). 发现隐藏在数据中的固有结构和簇
3). 基于模式的分类
4). 高维空间中子空间的有效聚类
5). 对时间空间、序列、图像、视频数据进行分析
6). 序列与结构数据的分析，如图、树、子序列和网络分析
7). 作为基本的索引结构
8). 推荐系统