序列信息时刻充斥着我们的生活,随着信息技术的发展,各个领域的序列信息也呈现了爆炸式的增长。在信息时代背景下,如何从这些序列信息中高效的找出对我们有用的信息,成为了序列模式挖掘的一大挑战。显露序列(Emerging Sequences,ESs)以发现具有强区分能力的子序列模式为目的,并用以构建高效的分类器。以往对于显露序列模式的挖掘大多基于支持度或者出现次数的特征选择框架,仅仅关注显露序列的存在性,而忽略了显露序列本身所携带的其他信息。随着信息技术的不断发展,序列模式在各领域中应用越来越广,传统的算法在应对各领域越来越苛刻的需求时,显得捉襟见肘。因此,很多研究者开始尝试寻找更有效的方法来进行显露序列模式挖掘。本文提出一种新的显露序列——位置显露序列(Location Emerging Sequences,LESs),基于出现次数构建了位置显露序列模式挖掘框架,并设计了相关的位置显露序列模式挖掘算法。位置显露序列不仅关注模式的出现次数,而且综合了序列本身所携带的位置信息,将出现次数与位置信息协同进行特征选择,对显露序列模式挖掘具有重要意义。主要工作和贡献如下:(1)针对传统显露序列模式挖掘算法忽略子序列模式本身携带信息这一问题,引入子序列位置信息,提出位置显露序列模式,基于出现次数框架,设计了挖掘位置显露序列模式算法,有效的结合了显露序列模式的位置信息。为了有效的挖掘位置显露序列模式,我们采用带有位置信息的后缀树进行数据存储,在一定程度上降低了算法的时间复杂度,并使得算法能够适应更高维度的数据。通过实验表明,位置信息对分类性能具有重要影响,采用位置显露序列模式构建的分类器的分类性能平均比以往的算法提高了 2%左右。(2)如何合理的引入位置信息,是本文研究的重点,针对位置显露序列模式挖掘不能自适应的调整位置系数k以及位置显露序列模式挖掘算法框架不紧凑等问题,我们提出了自适应显露序列模式挖掘算法,使位置显露序列模式挖掘更灵活,更能适应数据集的变化与用户的需求。对位置显露序列模式进行了重新定义,将出现次数与位置信息紧密结合,协同进行特征选择,降低了算法的复杂程度。通过实验证明,随着位置阈值增大,位置信息起到的影响也越大,位置显露序列模式的区分能力逐渐变强,位置显露序列模式的出现次数与位置信息共同影响分类结果。