Quelle partition pour les motifs séquentiels multidimensionnels ?
Abstract
L'extraction de connaissances à partir de cubes de données trouve de nombreuses applications dans les entrepôts de données de la plupart des entreprises et milieux scientifiques (biologie, santé, marketing...). Un cube de données représente une information (la mesure), calculée en agrégeant un ensemble de dimensions. Par exemple, un cube pourrait stocker le nombre de tickets de caisse contenant chaque article, pour chaque magasin d'une chaîne de distribution, pour chaque semaine. Des algorithmes ont été définis afin d'extraire des comportements fréquents sous la forme de motifs séquentiels. Cependant, aucun ne tire profit de la valeur numérique de la mesure. Nous étudions donc ici comment des partitions floues permettent de découvrir des motifs plus pertinents.