Day-by-day行为数据集广泛存在于实际应用中,比如：日复一日的股票市场由众多股票账户生成的交易数据。如何将数据挖掘技术应用到这样的数据集中,获取更有信息量的重要信息对于广大的数据挖掘和信息检索领域的团体来说是一个很大的挑战。在day-by-day行为数据集中,一些对象包含了相似的迭代行为模式,与其他不含有这样的单独个体相比显示了它的独特性。于是,从行为挖掘的角度出发,把这些特异的群组聚集在一起在实际应用中就显得有潜在的重大意义。在这篇论文中,提出了一个基于迭代行为模式的方法(IbpPGM)去把day-by-day数据集中的具有特异性的对象聚集到一起。在解决这个问题的第一阶段,先获取迭代行为模式去刻画行为的特征以及定义了特异度的度量方式。在第二阶段,挖掘特异群组过程中,通过对象的行为特征的组合去表征对象的特征,并且定义了基于迭代行为模式的度量两两之间行为模式相似度的度量方式。在这些前提下,进行特异群组的挖掘。最后,在实际的day-by-day数据集上证实了算法的有效性。