一種基於聚類的大數據常態模式提取方法及系統的製作方法

2023-05-31 06:19:36

一種基於聚類的大數據常態模式提取方法及系統的製作方法
【專利摘要】本發明公開了一種基於聚類的大數據常態模式提取方法。本方法為：1)伺服器從各終端採集樣本數據，得到一總樣本數據集；2)從該總樣本數據集中抽取若干樣本，並對其聚類，將得到的簇作為樣本的標籤對樣本進行標註，然後根據選取的屬性降維指標計算所述抽樣樣本集合中已標註樣本每一屬性的屬性值辨識度、屬性辨識度和或屬性值重要性、屬性重要性四項指標；根據計算結果對屬性進行排序，選取若干屬性作為大數據降維後保留的屬性；3)對屬性降維後的全體樣本數據聚類，將得到的簇作為樣本的標籤對樣本進行標註；4)根據選取的屬性劃分指標計算已標註樣本每一屬性的四項指標，選取若干屬性特徵對該總樣本數據集進行劃分，將劃分結果作為常態模式。
【專利說明】一種基於聚類的大數據常態模式提取方法及系統

【技術領域】
[0001] 本發明涉及一種常態模式提取系統，尤其涉及一種基於聚類的大數據常態模式提 取方法及系統。

【背景技術】
[0002] 在現實生活中，我們經常需要對一組樣本數據進行分類。常用的處理方法有兩 種：
[0003] 第一種分類方法，基於經驗確定一些分類的指標（屬性、屬性值）並按照這些指標 將樣本數據分類，例如將一群人分為"青年"、"中年"、"老年"三類，就是基於屬性"年齡層" 做出的。這種分類方式強烈的依賴於分類人的經驗，具有較強的主觀色彩，使得不同人對同 一組樣本數據得到的分類結果可能有較大不同，而且難以確定究竟哪種分類更加科學。
[0004] 第二種分類方法，基於數據挖掘聚類分析的聚類結果，將聚類結果直接作為分類 結果，這種方法具有較好的客觀性，但存在以下不足：
[0005] (1)主流的聚類算法沒有給出確切的分類標準，基於距離得到的聚類簇中，不同樣 本的屬性值混雜，沒有確切的規律，可能某個簇的1〇〇個樣本中99個都是"性別=男性"，僅 有1個是"性別=女性"，使得分類結果的實踐指導意義較差。
[0006] (2)對於一類複雜的趨勢數據樣本，例如某超市每天的顧客購物情況，使用聚類分 析得到的簇，不能確定相鄰兩天得到的簇之間的關係，從而難以研究相關簇之間的時間序 列關係。
[0007] (3)主流的聚類算法屬於隨機算法，基於隨機的初值，聚類結果也隨著初值變化， 聚類結果的不確定性在一定程度上影響了聚類結果在實際應用中的可信度。
[0008] 對樣本數據進行分類（提取常態模式）時，還會遇到"大數據"的問題。隨著信息 技術的高速發展，人們積累的數據量急劇增長，如何從海量的數據中提取有用的知識成為 當務之急。經過清洗的已知標籤樣本數據匯總到中央資料庫。由於樣本量巨大，形成了維 數大、規模大、複雜性大的大數據形態，要挖掘其中有意義的知識和內容以指導實際生產和 具體應用，需要首先進行降維處理，即維數約簡，它一方面可以解決"維數災難"，緩解大數 據中"信息豐富但知識貧乏"的問題，降低計算的複雜度；另一方面可以引導人們更好地認 識和理解數據。數據降維的方法很多，例如：根據數據本身的特性，可以分為線性降維和非 線性降維兩種；根據是否考慮和利用數據的監督信息，可以分為無監督降維、有監督降維和 半監督降維三種；根據是否需要保持數據的結構，可以分為全局保持降維、局部保持降維和 全局與局部保持一致降維等。
[0009] 在降維過程中，本專利旨在採用完全客觀的算法來選擇對樣本的已知標籤具有較 大影響力的維度。也就是說，這些在降維中被保留下來的維度不是主觀確定的，不依賴於經 驗模型。


【發明內容】

[0010] 針對現有技術中存在的技術問題，本發明的目的在於提供一種基於聚類的大數據 常態模式提取方法及系統，本發明的常態模式劃分方法是基於聚類分析的結果，具有較強 的客觀性，又有效的克服了主流聚類算法的不足。
[0011] 本發明通過對樣本數據進行聚類分析，將所得"簇"作為已知的分類標準（標籤）， 提取屬性值辨識度、屬性辨識度、屬性值重要性、屬性重要性等"屬性對相似性的影響力"的 四項指標，再使用全新的常態模式提取方法獲取"常態模式"，並給出常態模式的命名方法。
[0012] 本發明的技術方案為：
[0013] 一種基於聚類的大數據常態模式提取方法，其步驟為：
[0014] 1)中央伺服器從各終端伺服器採集樣本數據，得到一總樣本數據集；
[0015] 2)從該總樣本數據集中抽取若干樣本，得到一抽樣樣本集合併對其進行聚類分 析，得到若干簇；將聚類得到的簇作為樣本的標籤，對樣本進行標註，然後根據選取的屬性 降維指標計算所述抽樣樣本集合中已標註樣本每一屬性的屬性值辨識度、屬性辨識度和或 屬性值重要性、屬性重要性；
[0016] 3)分別根據屬性值辨識度、屬性辨識度和或屬性值重要性、屬性重要性對屬性進 行排序，選取若干屬性作為大數據降維後保留的屬性；
[0017] 4)對屬性降維後的全體樣本數據進行聚類，將聚類得到的簇作為樣本的標籤，對 樣本進行標註；
[0018] 5)根據選取的屬性劃分指標計算步驟4)中已標註樣本每一屬性的屬性值辨識 度、屬性辨識度和或屬性值重要性、屬性重要性，然後對計算結果進行排序選取若干屬性特 徵對該總樣本數據集進行劃分，將劃分結果作為常態模式；
[0019] 其中，屬性值辨識度的計算方法為：選取樣本一屬性i的一屬性值a，計算具有該 屬性值a的樣本屬於標籤j的條件概率值，以及未增加該屬性值條件時樣本屬於該標籤j 的概率值；將所述條件概率值與所述概率值的差值作為該屬性值a對於該標籤j的屬性值 辨識度；將該屬性值a對於所有標籤的屬性值辨識度的平方平均數作為該屬性值a的屬性 值辨識度；
[0020] 屬性辨識度的計算方法為：根據屬性i所有屬性值辨識度計算該屬性i的屬性辨 識度；
[0021] 屬性值重要性的計算方法為：將樣本屬性i取屬性值a時屬於標籤j的樣本量乘 以該屬性值a對於該標籤j的屬性辨識度，得到該屬性值a對於該標籤j的屬性值重要性； 將該屬性值a對於所有標籤的屬性值重要性的平方平均數作為該屬性值a的屬性值重要 性；
[0022] 屬性重要性的計算方法為：根據屬性i所有屬性值重要性計算該屬性i的屬性重 要性。
[0023] 進一步的，對該屬性i所有屬性值的屬性值辨識度的平方平均數作為該屬性i的 屬性辨識度。
[0024] 進一步的，對該屬性i所有屬性值的屬性值重要性的平方平均數作為該屬性i的 屬性重要性。
[0025] 進一步的，分別選用屬性重要性最高的屬性、屬性辨識度最高的屬性對樣本進行 劃分，得到所述常態模式；或者選取劃分結果與聚類結果的差異量小的原則選擇屬性重要 性最高的屬性或屬性辨識度最高的屬性對樣本進行劃分，得到所述常態模式。
[0026] 進一步的，根據所述常態模式劃分所依據的屬性和屬性值，命名所述常態模式的 名稱。
[0027] 進一步的，命名所述常態模式的名稱的方法為：在得到所述常態模式的過程中，記 錄每一所述常態模式所用到的屬性和屬性值；將第一所用的屬性和或屬性值記錄為根節 點，最後一次所用的屬性和或屬性值記錄為葉節點；然後沿著根節點向該葉節點發展，將涉 及的全部屬性值的集合作為該常態模式的名稱。
[0028] 本發明的系統主要如圖5所示，包括：
[0029] (1)數據採集模塊。
[0030] 將待分析的樣本數據從分布在各地的終端伺服器資料庫中傳輸匯總到中央服務 器的資料庫中。
[0031] (2)數據降維模塊。
[0032] 對採集的樣本進行抽樣和聚類分析，得到若干簇，將聚類得到的簇作為樣本的標 籤，對樣本進行標註。計算標註樣本每一屬性的屬性值辨識度、屬性辨識度以及屬性值重要 性、屬性重要性，提取由數據本身決定的"屬性對相似性的影響力"指標；然後根據指標計算 結果對屬性排序；選取排序靠前的屬性。
[0033] 本發明公開了一種全新的常態模式劃分方法，可以建立在任何一種公知的聚類分 析算法結果之上，提取由數據本身決定的"屬性對相似性的影響力"指標，這些指標包括：屬 性值辨識度、屬性辨識度、屬性值重要性、屬性重要性。本發明將聚類分析獲得的簇作為已 知的分類標籤，由此，"屬性對相似性的影響力"指標等價於"屬性對已知標籤的影響力"指 標。
[0034] 這是因為，使用聚類分析方法讓數據通過無監督學習生成若干"簇"，這些簇是基 於距離或相似度來確定的，滿足簇中的對象彼此相似，而與其他簇中的對象相異。粗略的 看，聚類的結果與屬性和屬性值沒有直接關聯，即不是由某些屬性來劃分的。但是，考慮到 距離或相似度的定義基於屬性和屬性值，因此屬性和屬性值對簇的形成具有實際的影響， 而且不同的屬性和屬性值的影響力並不相同。因此，將聚類分析獲得的簇作為已知的分類 標籤，進而提取屬性對分類的影響力的四項指標具有實際意義。
[0035] (3)常態模式劃分模塊。
[0036] 常態模式，可以理解為樣本數據中的常見類型，每個常態模式都是一組屬性值的 集合，常態模式集合是對全體樣本的一種劃分。例如，圖1中的一個常態模式可能是{顏色 =黑，形狀=方，尺寸=小}，該類型包括了所有小的黑方塊，它對應屬性值{顏色=黑}、 {形狀=方}和{尺寸=小}，是這三個屬性值的集合。當然，某一個確實的常態模式中的 屬性值不一定是唯一的，因此，{:顏色=黑或灰，形狀=方，尺寸=小}也可能是一個常態 模式。另一方面，由於{顏色=黑，形狀=方或圓，尺寸=小}可以化簡為{顏色=黑， 尺寸=小}，因此，常態模式對應的屬性值不一定包含所有的屬性，也就是說，有的屬性在常 態模式的劃分中並不重要。
[0037] 常態模式的另一個重要特點是"劃分"性，也就是"不重不漏"。兩個常態模式不能 擁有共同的樣本，即不相交；同時，絕大部分樣本都屬於某一個常態模式，只有少部分"異常 值"、"離群值"。
[0038] 直觀的講，一個樣本總體全體常態模式的集合對應一個分類樹，如圖2所示，就是 一個可能的常態模式集合。
[0039] 這些圖型具體應該分成哪些常態模式難以劃分。本發明使用"先聚類再分類"的 技術，提取數據客觀蘊含的屬性重要程度，給出客觀的分類標準，即常態模式。
[0040] 常態模式覆蓋了絕大部分樣本，除了左下角灰底白點的大圓，這是異常值。
[0041] 一個需要區別的概念是正常類型。事實上，常態模式並不等價於正常類型，常態模 式只是從出現的頻率上給出了出現頻率高的劃分方法，並不意味著它一定是正常的、正確 的。例如，在道路上暫時沒有機動車通過時行人闖紅燈過馬路，這是一種常見的行為，但卻 不是正確、合法的行為。當然，一般來說，常態模式是正常類型，不屬於常態模式的異常值是 不正常的樣本。
[0042] 本發明通過提取屬性重要性和辨識度，獲取屬性值辨識度、屬性辨識度、屬性值重 要性、屬性重要性等四項指標，也就是"屬性對相似性的影響力"。再使用全新的常態模式提 取方法獲取分類結果，即"常態模式"。
[0043] 與現有技術相比，積極效果為：
[0044] (1)常態模式獲得的"類"比聚類分析獲得的"簇"，具有更加確切的分類標準，排 除了由於其他屬性的幹擾，使得個別樣本點分類不準確的現象，如圖3。例如，可能某個簇的 100個樣本中99個都是"性別=男性"，僅有1個是"性別=女性"，使得分類結果的實踐指 導意義較差。而本專利將選擇"性別"屬性作為分類標準，獲得"性別=男性"和"性別=女 性"兩個類，分類結果的實踐指導意義更好。進一步，這個特殊的、錯誤分類的個體，可以作 為異常值研究對象。
[0045] (2)對於一類複雜的趨勢數據樣本，例如某超市每天的顧客購物情況，使用聚類分 析得到的簇，不能確定相鄰兩天得到的簇之間的關係，從而難以研究相關簇之間的時間序 列關係。而使用本專利方法可以獲得常態模式並給出了常態模式的命名方法，則在不同時 間點的各個簇之間建立了明確的時間序列關係，即可以研究相同名稱的簇的變化情況，以 及不同時間點簇的增加或減少情況。
[0046] (3)主流的聚類算法屬於隨機算法，基於隨機的初值，聚類結果也隨著初值變化， 聚類結果的不確定性在一定程度上影響了聚類結果在實際應用中的可信度。而本發明由於 使用了"先聚類再分類"的方法確定常態模式，降低了初值對計算結果的影響，使分析結果 更加穩定可信。
[0047] 本方法可應用於公安情報數據分析、反腐敗數據分析、居民家庭用電情況分析、交 通出行模式分析、疾病特徵數據分析、醫療數據分析、客戶市場細分等多種領域，獲取常見 類型集合，從而促進資源合理配置，本方法具有較強的普適性。

【專利附圖】

【附圖說明】
[0048] 圖1為常態模式示意圖；
[0049] 圖2為常態模式實例圖；
[0050] 圖3為常態模式劃分方法結果對比圖；
[0051] (a)聚類得到的簇，（b)先聚類再分類獲得的類
[0052] 圖4為常態模式提取系統流程圖；
[0053] 圖5為常態模式提取系統結構圖；
[0054] 圖6為劃分屬性的選擇圖；
[0055] (a)根據重要性最高的屬性（屬性A)劃分常態模式，
[0056] (b)根據辨識度最高的屬性（屬性B)劃分常態模式，
[0057] 圖7為類與簇之間的差異圖；
[0058] (a)由聚類分析獲得的五個簇，
[0059] (b)根據屬性的辨識度和重要性劃分數據得到的四個類；
[0060] 圖8為應用實例發現與降維指標計算結果圖；
[0061] 圖9為常態模式查看方法圖；
[0062] 圖10為時間序列分析和拐點分析預警示意圖。

【具體實施方式】
[0063] 本發明公開了一種全新的基於聚類的常態模式提取方法和系統，如圖4所示，包 括以下主要步驟。
[0064] 步驟1 :數據採集。
[0065] 數據採集模塊是本專利系統的硬體基礎。該模塊將待分析的樣本數據從分布在各 地的終端資料庫中傳輸匯總到中央資料庫。
[0066] 步驟2:數據清洗。
[0067] 通過數據採集終端匯總得到的數據，難免存在不完整、錯誤、重複等現象。數據清 洗步驟用於過濾這些不符合要求的數據，過濾的結果將提交給相關主管部門，確認是直接 過濾掉還是作為異常值提取出來做進一步分析。
[0068] 步驟3:數據降維。
[0069] 經過清洗的樣本數據匯總到中央資料庫。由於樣本量（N1)巨大，形成了維數大、 規模大、複雜性大的大數據形態，要挖掘其中有意義的知識和內容以指導實際生產和具體 應用，需要首先進行降維處理，即維數約簡，它一方面可以解決"維數災難"，緩解大數據中 "信息豐富但知識貧乏"的問題，降低計算的複雜度；另一方面可以引導人們更好地認識和 理解數據。
[0070] 數據降維步驟包括以下子步驟：
[0071] 步驟3. 1 :數據抽樣。
[0072] 對全體樣本進行系統抽樣（systematicsampling)。系統抽樣，又稱機械抽樣、等距 抽樣。具體而言：
[0073] (1)由系統硬體運轉能力確定適合的抽樣樣本量（N2)，定義壓縮比（M)為：
[0074] M = N1+N2;
[0075] (2)將全體樣本數據按某一順序排列起來，標註唯一的序號；
[0076] (3)從前Μ個樣本中隨機的選出一個樣本作為抽樣樣本，記其序號為k ;
[0077] (4)將序號為k、k+M、k+2*M、...、k+(N2-l)*M的N2個樣本作為抽樣結果。
[0078] 步驟3.2 :數據聚類。
[0079] 本步驟可以建立在任何一種公知的聚類分析算法結果之上，通過對抽樣後的樣本 數據進行聚類分析，得到若干簇。
[0080] 步驟3. 3 :降維指標選擇。
[0081] 針對抽樣得到的N2個樣本以及聚類獲得的若干簇，可以通過後續的步驟計算降 維指標（即"屬性對相似性的影響力"），並根據"影響力"的排序來確定降維後保留的屬性。 本系統提供降維指標的選擇，可選擇的降維指標有：
[0082] 降維指標1 :屬性辨識度指標；
[0083] 降維指標2 :屬性重要性指標。
[0084] 降維指標選擇主要看待分析的問題中"樣本量"因素是否重要，建議如下：
[0085] (1)如果"樣本量"因素不重要，應選擇屬性辨識度指標給出影響力排序；
[0086] (2)如果"樣本量"因素重要，應選擇屬性重要性指標給出影響力排序；
[0087] (3)如果想綜合考慮上述兩種情況，應結合這兩個指標給出綜合性的排序。
[0088] 步驟3. 4 :降維指標計算。
[0089] 計算降維指標，也就是計算每個屬性"對相似性的影響力"，具體包括：屬性辨識度 和屬性重要性，同時還需要計算兩個過渡性的指標：屬性值辨識度和屬性值重要性。我們以 案例為基礎，說明這四項指標的主要計算步驟。系統將根據用戶在步驟3. 2中的選擇情況 計算相應的指標。
[0090] 四項指標計算案例：
[0091] 一個包含100人的研究樣本，其中包含50名女性和50名男性，其中20人有前科。 通過聚類分析獲得了兩個"簇"，其中"簇1"包含10個樣本，絕大部分是犯有盜竊罪的人， 而"簇2"包含90個樣本，絕大部分是未犯有盜竊罪的人。其他數據如表1。
[0092] 表1 :四項指標計算案例
[0093]

【權利要求】
1. 一種基於聚類的大數據常態模式提取方法，其步驟為： 1) 中央伺服器從各終端伺服器採集樣本數據，得到一總樣本數據集； 2) 從該總樣本數據集中抽取若干樣本，得到一抽樣樣本集合併對其進行聚類分析，得 到若干簇；將聚類得到的簇作為樣本的標籤，對樣本進行標註，然後根據選取的屬性降維指 標計算所述抽樣樣本集合中已標註樣本每一屬性的屬性值辨識度、屬性辨識度和或屬性值 重要性、屬性重要性； 3) 分別根據屬性值辨識度、屬性辨識度和或屬性值重要性、屬性重要性對屬性進行排 序，選取若干屬性作為大數據降維後保留的屬性； 4) 對屬性降維後的全體樣本數據進行聚類，將聚類得到的簇作為樣本的標籤，對樣本 進行標註； 5) 根據選取的屬性劃分指標計算步驟4)中已標註樣本每一屬性的屬性值辨識度、屬 性辨識度和或屬性值重要性、屬性重要性，然後對計算結果進行排序選取若干屬性特徵對 該總樣本數據集進行劃分，將劃分結果作為常態模式； 其中，屬性值辨識度的計算方法為：選取樣本一屬性i的一屬性值a，計算具有該屬性 值a的樣本屬於標籤j的條件概率值，以及未增加該屬性值條件時樣本屬於該標籤j的概 率值；將所述條件概率值與所述概率值的差值作為該屬性值a對於該標籤j的屬性值辨識 度；將該屬性值a對於所有標籤的屬性值辨識度的平方平均數作為該屬性值a的屬性值辨 識度； 屬性辨識度的計算方法為：根據屬性i所有屬性值辨識度計算該屬性i的屬性辨識 度； 屬性值重要性的計算方法為：將樣本屬性i取屬性值a時屬於標籤j的樣本量乘以該 屬性值a對於該標籤j的屬性辨識度，得到該屬性值a對於該標籤j的屬性值重要性；將該 屬性值a對於所有標籤的屬性值重要性的平方平均數作為該屬性值a的屬性值重要性； 屬性重要性的計算方法為：根據屬性i所有屬性值重要性計算該屬性i的屬性重要性。
2. 如權利要求1所述的方法，其特徵在於對該屬性i所有屬性值的屬性值辨識度的平 方平均數作為該屬性i的屬性辨識度。
3. 如權利要求1所述的方法，其特徵在於對該屬性i所有屬性值的屬性值重要性的平 方平均數作為該屬性i的屬性重要性。
4. 如權利要求1或2或3所述的方法，其特徵在於分別選用屬性重要性最高的屬性、屬 性辨識度最高的屬性對樣本進行劃分，得到所述常態模式；或者選取劃分結果與聚類結果 的差異量小的原則選擇屬性重要性最高的屬性或屬性辨識度最高的屬性對樣本進行劃分， 得到所述常態模式。
5. 如權利要求1或2或3所述的方法，其特徵在於根據所述常態模式劃分所依據的屬 性和屬性值，命名所述常態模式的名稱。
6. 如權利要求5所述的方法，其特徵在於命名所述常態模式的名稱的方法為：在得到 所述常態模式的過程中，記錄每一所述常態模式所用到的屬性和屬性值；將第一所用的屬 性和或屬性值記錄為根節點，最後一次所用的屬性和或屬性值記錄為葉節點；然後沿著根 節點向該葉節點發展，將涉及的全部屬性值的集合作為該常態模式的名稱。
7. -種基於聚類的大數據常態模式提取系統，其特徵在於包括多個終端伺服器和一中 央伺服器，所述終端伺服器通過網絡與所述中央伺服器連接；其中，所述中央伺服器包括數 據採集模塊、數據降維模塊和常態模式劃分模塊； 所述數據採集模塊，用於從各終端伺服器採集樣本數據，得到一總樣本數據集； 所述數據降維模塊，用於從該總樣本數據集中抽取若干樣本，得到一抽樣樣本集合併 對其進行聚類分析，得到若干簇；將聚類得到的簇作為樣本的標籤，對樣本進行標註，然後 根據選取的屬性降維指標計算所述抽樣樣本集合中已標註樣本每一屬性的屬性值辨識度、 屬性辨識度和或屬性值重要性、屬性重要性，並根據計算結果對屬性進行排序，選取若干屬 性作為大數據降維後保留的屬性； 所述常態模式劃分模塊，用於對屬性降維後的全體樣本數據進行聚類，將聚類得到的 簇作為樣本的標籤，對樣本進行標註；然後根據選取的屬性劃分指標對標註樣本每一屬性 的屬性值辨識度、屬性辨識度和或屬性值重要性、屬性重要性，然後對計算結果進行排序選 取若干屬性特徵對該總樣本數據集進行劃分，將劃分結果作為常態模式； 其中，屬性值辨識度的計算方法為：選取樣本一屬性i的一屬性值a，計算具有該屬性 值a的樣本屬於標籤j的條件概率值，以及未增加該屬性值條件時樣本屬於該標籤j的概 率值；將所述條件概率值與所述概率值的差值作為該屬性值a對於該標籤j的屬性值辨識 度；將該屬性值a對於所有標籤的屬性值辨識度的平方平均數作為該屬性值a的屬性值辨 識度； 屬性辨識度的計算方法為：根據屬性i所有屬性值辨識度計算該屬性i的屬性辨識 度； 屬性值重要性的計算方法為：將樣本屬性i取屬性值a時屬於標籤j的樣本量乘以該 屬性值a對於該標籤j的屬性辨識度，得到該屬性值a對於該標籤j的屬性值重要性；將該 屬性值a對於所有標籤的屬性值重要性的平方平均數作為該屬性值a的屬性值重要性； 屬性重要性的計算方法為：根據屬性i所有屬性值重要性計算該屬性i的屬性重要性。
8. 如權利要求7所述的系統，其特徵在於對該屬性i所有屬性值的屬性值辨識度的平 方平均數作為該屬性i的屬性辨識度；對該屬性i所有屬性值的屬性值重要性的平方平均 數作為該屬性i的屬性重要性。
9. 如權利要求7所述的系統，其特徵在於根據所述常態模式劃分所依據的屬性和屬性 值，命名所述常態模式的名稱；所述中央伺服器通過一常態模式發布器發布所述常態模式。
10. 如權利要求7或8或9所述的系統，其特徵在於所述常態模式劃分模塊在得到所述 常態模式的過程中，記錄每一所述常態模式所用到的屬性和屬性值；將第一所用的屬性和 或屬性值記錄為根節點，最後一次所用的屬性和或屬性值記錄為葉節點；然後沿著根節點 向該葉節點發展，將涉及的全部屬性值的集合作為該常態模式的名稱。
【文檔編號】G06F17/30GK104156403SQ201410356957
【公開日】2014年11月19日 申請日期:2014年7月24日 優先權日:2014年7月24日
【發明者】王電, 魏毅, 黃煜可 申請人:中國軟體與技術服務股份有限公司