GSP là viết tắt của Generalised Sequential Patterns (Mẫu tuần tự khái quát hóa). Đây là phương pháp khai phá mẫu tuần tự được tạo ra bởi Srikant và Agrawal năm 1996. Nó là mở rộng của thuật toán gốc của họ cho khai phá itemset thông thường, gọi là Apriori. GSP cần tính chất downward-closure của mẫu tuần tự và áp dụng phương pháp sinh-và-kiểm tra (generate-and-test) nhiều lần qua (multiple-pass).
Thuật toán như sau. Trong quét đầu tiên của cơ sở dữ liệu, nó khám phá một số mục phổ biến, tức là những mục có hỗ trợ tối thiểu. Mỗi mục tạo ra một chuỗi phổ biến 1-sự kiện bao gồm mục đó. Mỗi lần qua tiếp theo bắt đầu với tập hạt giống (seed set) các mẫu tuần tự và nhóm mẫu tuần tự tìm thấy ở lần qua trước.
Tập hạt giống này có thể tạo mẫu phổ biến tiềm năng mới, gọi là chuỗi ứng viên (candidate sequences). Mỗi chuỗi ứng viên bao gồm một mục nhiều hơn mẫu tuần tự hạt giống mà từ đó nó được tạo (trong đó mỗi sự kiện trong mẫu có thể bao gồm một hoặc nhiều mục).
Số lần xuất hiện của mục trong chuỗi là độ dài (length) của chuỗi. Do đó, một số chuỗi ứng viên trong một lần qua cho trước sẽ có cùng độ dài. Định nghĩa chuỗi với độ dài k là k-chuỗi (k-sequence).
Cho Cₖ chỉ ra tập hợp k-chuỗi ứng viên. Một lần qua cơ sở dữ liệu khám phá hỗ trợ cho mỗi k-chuỗi ứng viên. Các ứng viên trong Cₖ với hỗ trợ tối thiểu min_sup hình thành Lₖ, tập hợp tất cả k-chuỗi phổ biến. Tập này trở thành tập hạt giống cho lần qua tiếp theo, k+1. Thuật toán dừng khi không khám phá mẫu tuần tự mới trong một lần qua, hoặc không tạo ra chuỗi ứng viên nào.
GSP dùng tính chất Apriori để cắt giảm tập ứng viên như sau. Ở lần qua thứ k, một chuỗi là ứng viên chỉ nếu mỗi chuỗi con độ dài (k−1) của nó là mẫu tuần tự được khám phá ở lần qua (k−1).
Một lần quét mới của cơ sở dữ liệu tổng hợp hỗ trợ cho mỗi chuỗi ứng viên và khám phá tập mẫu tuần tự mới Lₖ. Tập này trở thành hạt giống cho lần qua tiếp theo. Thuật toán dừng khi không khám phá mẫu tuần tự trong một lần qua hoặc khi không tạo ra chuỗi ứng viên.
Kỹ thuật khai phá mẫu tuần tự kiểu Apriori (dựa trên sinh và kiểm tra ứng viên) cũng có thể được phân tích bằng cách đo lường cơ sở dữ liệu chuỗi thành định dạng dữ liệu dọc (vertical data format). Trong định dạng dọc, cơ sở dữ liệu biến thành tập tuple dạng (itemset: (sequence_ID, event_ID)).
Bộ nhận diện sự kiện phục vụ như dấu thời gian bên trong chuỗi. event_ID của itemset (hoặc sự kiện) thứ i trong chuỗi là i. Một itemset có thể xuất hiện trong nhiều hơn một chuỗi. Tập hợp (sequence ID, event ID) kết hợp cho itemset cho trước hình thành ID_list của itemset.