负序列规则考虑了未发生事件对决策的影响,从新的角度分析了数据潜在的含义,弥补了正序列规则可能误导决策的不足,有重要研究意义。然而,现有的负序列规则挖掘算法的研究非常匮乏,仍然存在很多问题需要解决,包括:(1)由于负序列模式并不满足向下封闭性原理,使得频繁负序列模式的某些子模式有可能不频繁,从而无法计算相应负序列规则的置信度,同时还会导致一些负序列规则的置信度可能大于1,给用户设置置信度阈值带来困难;(2)由于首次从负序列模式中挖掘负序列规则,生成哪种形式的负序列规则才算合理;(3)从负序列模式中挖掘负序列规则后会产生相互矛盾的规则,如何修剪掉这些矛盾规则以保证得到的规则能够真正用于决策?本文对上述问题进行了研究,提出了一个从负序列模式中挖掘负序列规则的算法nsp Rule和一个基于贡献度和相关系数的规则修剪算法ASR(Actionable Sequential Rule)。具体如下:针对前两个问题,本文提出了一个从负序列模式中挖掘负序列规则的有效算法—nsp Rule。该算法首先判断规则的前件或后件是否是频繁模式,通过删除掉不频繁的模式以解决规则置信度无法计算的问题。而对于部分规则的置信度大于1的问题,nsp Rule算法将规则的置信度进行归一化处理,以确保规则置信度的范围在[0,1]区间内。此外,为了确保生成形式合理的规则,nsp Rule算法将规则的相关性考虑在内,有效避免了形式不合理规则的生成。据我们所知,nsp Rule算法是第一个从负序列模式中挖掘负序列规则的算法。真实数据集和合成数据集上的实验分析表明nsp Rule算法能够有效地从负序列模式中挖掘出负序列规则。针对第三个问题,本文提出了一个基于贡献度和相关系数的矛盾规则修剪算法—ASR。该算法首先利用贡献度的概念将规则前件和后件中的内部关系考虑在内,以修剪掉内部关系不符合条件的矛盾规则。在此基础上,ASR算法还引入了相关系数,以修剪掉规则前件和后件之间相关性不符合条件的矛盾规则。同时,ASR算法还将贡献度、相关系数与吴氏修剪框架结合,使得ASR算法可以同时从规则相关性、规则内部关系、规则支持度和置信度等多个角度对矛盾规则进行更全面修剪,确保了得到的规则能够真正用于决策,实验结果表明了ASR算法的有效性。另外,本文还将nsp Rule算法在大学生一卡通消费数据中进行了应用,得到了一些有意义的规则,结果表明学生的学业成绩与是否按时吃早餐有显著的相关关系。