写在前面：该算法基于UP-Growth算法改进，提出一个新的基于情节效用的模型 IV-UBER (InVestment by Utility-Based Episode Rules model)对股票进行预测，使用该模型能得到比UP-Span和prefix-Span算法更优异的结果。
Discovering utility-based episode rules in complex event sequence
样例
定义
大部分内容可以参考 UP-Span算法，这里仅作一些补充：
- user-specified window size (WS) 是指预先设置的窗口大小，即时间跨度。
- 窗口（window）定义为 $W^{\rm h} = <(SE_{\rm h}, T_{\rm h}), \, (SE_{\rm h+1}, T_{\rm h+1}), \, \ldots, \, (SE_{\rm h+WS-1}, T_{\rm h+WS-1})>$ ，其中 $1 \le h \le (\mid C \mid - WS + 1)$，$\mid C \mid$ 指的是复杂事件序列的时间跨度
- 该文里把事件长度定义为时间跨度，其实在大部分情节效用挖掘相关论文里都是这个定义
- 并行连接（simultaneous concatenation）表示为 $\alpha \, \square \, \beta$（好奇怪的表达方式）；串行连接（serial concatenation）表示为 $\alpha \, \cdot \, \beta$
- 论文中额外定义了结束时间点（end time points）$ETSet(\alpha) = \lbrace T_{\rm e}^1, \, \ldots \, T_{\rm e}^{\rm n} \rbrace$（这一点之前文章里没有）
- 发生在窗口内（window-based occurrence），顾名思义就是大于事件 $\alpha$ 的时间跨度的窗口，这种窗口可以有很多个，由 $\mid woSet(\alpha) \mid$ 表示
- 整个复杂事件序列的效用值 $CU_{\rm WS} = \sum_{\rm i=WS+1}^{\rm \mid u-SE_{\rm i} \mid}u(u-SE_{\rm i}, \, T_{\rm i})$，但这个为什么要这么设置？（需要注意的是，这里的 $u-SE_{\rm i}$ 指的是在某个时间点上的总效用值，因为书写原因“$-$”是连字符，不是减号）
- 最大效用值（maximum utility）定义为 $MUR(X) = \sum_{\rm i=1}^{\rm k}u(uSE_{\rm p_{\rm i+1}}, \, p_{\rm i} + 1)$，作用是提供向下闭合性（downward closure property），即子集不高效，那么扩展集一定不高效
算法
UBER-Mine
主体思想为从长度为1的情节开始挖掘，找出所有高效的1-episode然后进行串并组合，得出高阶高效用情节
MineSimuUBER
当被组合情节截至时间点上还有其它情节发生（因为这里加上了时间跨度，算法是从单个时间点逐步扩展成时间段），可以把这两个情节看作在这个时间段上是同时（simultaneous）发生的
MineSerialUBER
以窗口长度为一个时间跨度，在这个跨度内发生的事件都可以作为串连（serial）对象
CalculateUtility
GenUBER
核心在于 UP-Growhth 算法的运用，需要注意本算法为了构造UR-Tree对前面的串并连方法进行一定程度的修改，变成以时间点为检索条件，构造header-table，进而把所有关键信息存入UR-Tree
总结
该算法基于UP-Growth算法改进，再次说明树型结构有很强的扩展性，通过设置不同的索引建表，把所有关键性息存储在Tree中，以达到节省时间的目的。个人认为UBER-Mine算法前期对事件序列的准备工作过于漫长和繁琐，虽然也用到向下封闭的性质来剪枝，但由于UP-Growth算法本身构树过程复杂，这样会进一步加大运行工作量。能否可以设置其它的索引变量来达到效率的提升？或者是使用其它对UP-Growth能够有效优化的策略？（有些策略是基于 transaction database，所以不一定适用于 sequence database）