我在机器学习方面还是新手，所以在尝试理解如何使用Spark机器学习库处理反映事件序列的时间序列数据时遇到了困难。
我有一个包含以下信息的表格：
步骤号，元素ID，会话ID
其中步骤号表示每个元素出现的顺序，元素ID是指被点击的元素，会话ID表示这是哪个用户会话中的事件。
这个表格包含了多个会话，每个会话中有多个元素序列。即一个会话会包含多行元素。而且每个会话都有相同的起点和终点。
我的目标是训练一个模型，利用观察到的元素序列来预测最有可能被点击的下一个元素。也就是说，我需要根据之前的事件来预测下一个事件。
（换句话说，我需要平均用户在特定工作流程中的点击行为，以便模型能够根据平均值预测下一个最相关的点击）
从我在线上找到的论文和例子来看，我理解这在只有一个事件序列作为训练模型输入的情况下是合理的。
但在我的情况下，我有多个会话/事件实例（所有会话都从同一点开始），我想训练一个平均模型。我发现理解如何使用例如Spark中的HMM来处理这个问题有点挑战。是否有任何实际的例子或教程涵盖了这种情况？
感谢您花时间阅读我的帖子。任何想法都将不胜感激！
回答：
这也可以通过频繁模式挖掘来解决。请查看这个：https://spark.apache.org/docs/latest/mllib-frequent-pattern-mining.html
在这种情况下，您可以找到经常一起出现的频繁项目。在第一步中，您教模型什么是频繁的，然后在预测步骤中，模型可以看到一些事件，并可以预测与此事件最常见的事件。
