Cet article présente une nouvelle méthode utilisant les graphes de connaissances associatifs à structure séquentielle (SSAKG) pour relever les défis du stockage et de la récupération de séquences dans des applications telles que la détection d'anomalies, la prédiction de comportements et l'analyse d'informations génétiques. Les SSAKG codent les séquences sous forme de tournois de tendance, les nœuds représentant les objets et les arêtes définissant leur ordre. Nous développons quatre algorithmes d'ordonnancement (Tri simple, Ordonnancement des nœuds, Ordonnancement amélioré des nœuds et Ordonnancement des arêtes pondérées des nœuds) et évaluons leurs performances à l'aide d'ensembles de données synthétiques et réelles (séquences de phrases de la bibliothèque NLTK et séquences de miARN). La précision, la sensibilité et la spécificité sont utilisées comme indicateurs d'évaluation. Les SSAKG présentent une capacité mémoire qui croît quadratiquement avec la taille du graphe, ne nécessitent aucun apprentissage, sont flexibles dans la reconstruction contextuelle et offrent une grande efficacité dans les graphes à mémoire clairsemée. Cela fournit une solution évolutive pour les opérations de mémoire basées sur les séquences avec de vastes applications en neurosciences computationnelles et en bioinformatique.
