近日，实验室教师宫永顺一篇论文“An Efficient Method for Modeling Non-occurring Behaviors by Negative Sequential Patterns with Loose Constraints”被IEEE Transactions on Neural Networks and Learning Systems (TNNLS)期刊录用，影响因子为10.451。

序列分析处理连续的离散事件和行为，可以用时间点过程(TPPs)来表示。然而TPP模式只挖掘发生的事件和行为。本文探讨了一种有效的方法来挖掘负序模式(NSP)，利用TPP建模同时挖掘频繁的发生和未发生事件和行为。NSP擅长于对未发生的事件与发生事件的组合进行建模，然而现有的大部分方法是建立在将各种约束纳入NSP表示的基础上，例如简化NSP公式和减少计算成本。这样的约束限制了NSPs的灵活性，导致不能发现更灵活的未发生行为(NOBs)。本文通过放松NSP算法中的一些不灵活的约束来解决这个问题，并解决了一系列随之而来的挑战。首先，利用集合理论给出了负包容的新定义。第二，快速计算负序列支持度的有效方法。我们的方法只使用了相应的正序模式信息，避免了额外的数据库扫描。最后，提出了一种新的高效算法NegI-NSP，用于高效识别高价值的nsp。对四个合成数据集和两个真实数据集的理论分析、比较和实验清楚地表明，NegI-NSP可以有效地发现更多有用的NOBs。

IEEE神经网络和学习系统会刊TNNLS（IEEE Transactions on Neural Networks and learning systems）是发表关于神经网络和相关学习系统的理论、设计和应用的技术文章的权威期刊，属于CCF B类期刊，中科院JCR 1区。