Mönstersökning

Mönstersökning är ett område inom dataanalys och informatik som syftar till att identifiera och extrahera regelbundna strukturer eller återkommande mönster i data. Begreppet används både för upptäckt av nya mönster utan förutfattade hypoteser och för sökning efter specifika mönster i en given datamängd. Mönstersökning är central inom data mining, statistik, maskininlärning och signalbehandling.

Det finns två huvudinriktningar: mönsterupptäckt, där man söker generella, ofta frekventa och signifikanta mönster utan att ange vad man letar efter i förväg, och mönstersökning i strikt bemärkelse, där man letar efter förekomsten av ett känt mönster i data. Mönster kan vara frekventa textsekvenser, tidsseriemotiv, eller strukturer i transaktionsdata, biologiska sekvenser eller nätverksdata. Domänerna omfattar bland annat ekonomi och marknadsanalys, biologi och genetik, sensor- och tidsseriedata samt text- och loggdata.

Vanliga metoder och algoritmer inkluderar frekventa mönsteranalys som Apriori och FP-Growth för transaktionsdata; sekventiell mönstersökning som PrefixSpan och SPADE för händelse- eller tidssekvenser; samt motif discovery i tidsserier med tekniker som matrix profile. För text- och strängdata används substring-sökningsalgoritmer som KMP och Rabin–Karp. Mönstersökning i bild, ljud och video kan kombinera signalbehandling med statistiska metoder.

Användningar finns inom marknadsanalys och korsförsäljning, bioinformatik och genomik, intrångsdetektion och bedrägeribekämpning, samt kvalitets- och felidentifiering i industriella system. Utmaningar inkluderar brus, stor datahastighet, varierande mönster och behov av tolkbara resultat. Vanliga utvärderingsmått är stöd, konfidens och lift för frekvensbaserade metoder.