符號序列的預訓練HMM 分類方法

陳炳鑫 ,陳黎飛*

（1.福建師范大學數學與信息學院，福州，350117；2.數字福建環境監測物聯網實驗室，福建師范大學，福州，350117）

符號序列（symbolic sequences）通常由有限個離散型符號按照特定的規律排列而成，當前許多數據挖掘的應用都基于符號序列的表現形式.例如在生物信息學中，由{'A'，'T'，'G'，'C'} 等代表不同堿基符號構成的基因即為一種符號序列.對基因進行分析是生物信息學極其重要的研究內容之一，生物學家對不同功能的基因進行分類，可以進一步研究同源序列之間的進化關系［1-2］.由于符號序列長短不一，且具有特殊的時空順序關系等特點，針對向量型數據的經典方法無法直接運用于符號序列分類任務中，因此對其進行挖掘仍存在挑戰性.目前已經提出了多種序列的分類方法［3］，其中基于距離的分類方法因其簡單而得到了廣泛的研究.

現有的序列距離度量方法大致可分兩種：一種是序列對齊（alignment based）方法，如基于動態規劃［4-5］或編輯距離［6］等思想進行符號序列的分類挖掘.盡管該方法常用于符號序列分類，但其通?；谳^高的計算復雜度.另一種是非對齊（non-alignment）的方法，該方法采取表征學習［7-10］的手段構造出序列的特征.其中子序列法［3］是一種常見的方法，通過一些重要的短子序列來表示序列的特征.但該方法得到的是序列的局部結構特征，且生成的特征維度較高，同時子序列法得到的特征在某些情況下并非統計獨立［11］，降低了歐幾里得距離等度量的有效性.相比……