• 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

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。

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。

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