Context-aware applications adapt their functionalities based on users contexts. Complementarily, a context history has information about previous contexts visited by a user. Context history enables applications to explore users past behavior. Researchers have studied different ways to analyze these data. This article addresses a specific type of data analysis in contexts histories, which is the discovery and monitoring of sequential patterns. The article proposes a model, called CHSPAM, that allows the discovery of sequential patterns in contexts histories databases and keeps track of these patterns to monitor their evolution over time. There are two main contributions of this work. The first one is the use of a generic representation for stored context information on pattern recognition field, which enables the model to be used for different research domains. The second contribution is the fact that CHSPAM monitors discovered pattern evolution over time. We have build a functional prototype that allowed us to conduct experiments in two different applications. The first experiment used the model to perform pattern analysis and evaluate the prediction based on monitored sequential patterns. Prediction accuracy increased by up to 17% when compared to the use of common sequential patterns. On the second experiment, CHSPAM was used as a component of a learning object recommendation application. The application was able to recommend learning objects related to students interests based on monitored sequential patterns extracted from users session history. Usefulness for recommendations reached 84%.

中文翻译：

---

CHSPAM：用于上下文历史中顺序模式发现和监视的多域模型

上下文感知应用程序根据用户上下文调整其功能。补充地，上下文历史具有关于用户访问的先前上下文的信息。上下文历史记录使应用程序可以探索用户过去的行为。研究人员研究了分析这些数据的不同方法。本文介绍了上下文历史记录中的一种特定类型的数据分析，即发现和监视顺序模式。本文提出了一种名为CHSPAM的模​​型，该模型允许在上下文历史数据库中发现顺序模式，并跟踪这些模式以监视其随时间的演变。这项工作有两个主要贡献。第一个是使用通用表示形式来存储模式识别字段上的上下文信息，这使得该模型可以用于不同的研究领域。第二个贡献是CHSPAM监视发现的模式随时间演变的事实。我们已经构建了一个功能原型，可以在两个不同的应用程序中进行实验。第一个实验使用该模型执行模式分析，并基于监视的顺序模式评估预测。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够根据从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。第二个贡献是CHSPAM监视发现的模式随时间演变的事实。我们已经构建了一个功能原型，可以在两个不同的应用程序中进行实验。第一个实验使用该模型执行模式分析，并基于监视的顺序模式评估预测。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够基于从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。第二个贡献是CHSPAM监视发现的模式随时间演变的事实。我们已经构建了一个功能原型，可以在两个不同的应用程序中进行实验。第一个实验使用该模型执行模式分析，并基于监视的顺序模式评估预测。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够基于从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。我们已经构建了一个功能原型，可以在两个不同的应用程序中进行实验。第一个实验使用该模型执行模式分析，并基于监视的顺序模式评估预测。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够基于从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。我们已经构建了一个功能原型，可以在两个不同的应用程序中进行实验。第一个实验使用该模型执行模式分析，并基于监视的顺序模式评估预测。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够基于从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够根据从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。与使用常见顺序模式相比，预测准确性提高了17％。在第二个实验中，CHSPAM被用作学习对象推荐应用程序的组件。该应用程序能够基于从用户会话历史记录中提取的受监控的连续模式，推荐与学生兴趣相关的学习对象。推荐的有用率达到84％。