untitled
<OAI-PMH schemaLocation=http://www.openarchives.org/OAI/2.0/ http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd>
<responseDate>2018-01-15T15:42:45Z</responseDate>
<request identifier=oai:HAL:lirmm-00345563v1 verb=GetRecord metadataPrefix=oai_dc>http://api.archives-ouvertes.fr/oai/hal/</request>
<GetRecord>
<record>
<header>
<identifier>oai:HAL:lirmm-00345563v1</identifier>
<datestamp>2018-01-11</datestamp>
<setSpec>type:COMM</setSpec>
<setSpec>subject:info</setSpec>
<setSpec>collection:CNRS</setSpec>
<setSpec>collection:INRIA</setSpec>
<setSpec>collection:UNIV-AG</setSpec>
<setSpec>collection:BNRMI</setSpec>
<setSpec>collection:UNIV-LILLE3</setSpec>
<setSpec>collection:INRIA-LILLE</setSpec>
<setSpec>collection:INRIA_TEST</setSpec>
<setSpec>collection:LIRMM</setSpec>
<setSpec>collection:MIPS</setSpec>
<setSpec>collection:UNIV-MONTPELLIER</setSpec>
</header>
<metadata><dc>
<publisher>HAL CCSD</publisher>
<title lang=fr>Spams, une nouvelle approche incrémentale pour l'extraction de motifs séquentiels fréquents dans les Data streams</title>
<creator>Vinceslas, Lionel</creator>
<creator>Symphor, Jean-Émile</creator>
<creator>Mancheron, Alban</creator>
<creator>Poncelet, Pascal</creator>
<contributor>Groupe de Recherche en Informatique et Mathématiques Appliquées Antilles-Guyane (GRIMAAG) ; Université des Antilles et de la Guyane (UAG)</contributor>
<contributor>Sequential Learning (SEQUOIA) ; Laboratoire d'Informatique Fondamentale de Lille (LIFL) ; Université de Lille, Sciences et Technologies - Institut National de Recherche en Informatique et en Automatique (Inria) - Université de Lille, Sciences Humaines et Sociales - Centre National de la Recherche Scientifique (CNRS) - Université de Lille, Sciences et Technologies - Institut National de Recherche en Informatique et en Automatique (Inria) - Université de Lille, Sciences Humaines et Sociales - Centre National de la Recherche Scientifique (CNRS) - Inria Lille - Nord Europe ; Institut National de Recherche en Informatique et en Automatique (Inria)</contributor>
<contributor>Fouille de données environnementales (TATOO) ; Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM) ; Université de Montpellier (UM) - Centre National de la Recherche Scientifique (CNRS) - Université de Montpellier (UM) - Centre National de la Recherche Scientifique (CNRS)</contributor>
<description>International audience</description>
<source>EGC'09 : Extraction et Gestion des Connaissances</source>
<coverage>Strasbourg, France</coverage>
<identifier>lirmm-00345563</identifier>
<identifier>https://hal-lirmm.ccsd.cnrs.fr/lirmm-00345563</identifier>
<source>https://hal-lirmm.ccsd.cnrs.fr/lirmm-00345563</source>
<source>EGC'09 : Extraction et Gestion des Connaissances, Jan 2009, Strasbourg, France. pp.205-216, 2009, 〈https://lsiit.u-strasbg.fr/egc09/index.php/Accueil〉</source>
<source>https://lsiit.u-strasbg.fr/egc09/index.php/Accueil</source>
<language>fr</language>
<subject>[INFO.INFO-DB] Computer Science [cs]/Databases [cs.DB]</subject>
<type>info:eu-repo/semantics/conferenceObject</type>
<type>Conference papers</type>
<description lang=fr>L'extraction de motifs séquentiels fréquents dans les data streams est un enjeu important traité par la communauté des chercheurs en fouille de données. Plus encore que pour les bases de données, de nombreuses contraintes supplémentaires sont à considérer de par la nature intrinsèque des streams. Dans cet article, nous proposons un nouvel algorithme en une passe : SPAMS, basé sur la construction incrémentale, avec une granularité très fine par transaction, d'un automate appelé SPA, permettant l'extraction des motifs séquentiels dans les streams. L'information du stream est apprise à la volée, au fur et à mesure de l'insertion de nouvelles transactions, sans pré-traitement a priori. Les résultats expérimentaux obtenus montrent la pertinence de la structure utilisée ainsi que l'efficience de notre algorithme appliqué à différents jeux de données.</description>
<date>2009-01-27</date>
</dc>
</metadata>
</record>
</GetRecord>
</OAI-PMH>
