-
题名从不确定图中挖掘频繁子图模式
被引量：33
- 1
-
-
作者
邹兆年
李建中
高宏
张硕
-
机构
哈尔滨工业大学计算机科学与技术学院
-
出处
《软件学报》
EI
CSCD
北大核心
2009年第11期2965-2976,共12页
-
基金
国家自然科学基金Nos.60533110
60773063
+1 种基金
国家重点基础研究发展计划(973)No.2006CB303005
新世纪优秀人才支持计划No.NCET-05-0333~~
-
文摘
研究不确定图数据的挖掘,主要解决不确定图数据的频繁子图模式挖掘问题.介绍了一种数据模型来表示图的不确定性,以及一种期望支持度来评价子图模式的重要性.利用期望支持度的Apriori性质,给出了一种基于深度优先搜索策略的挖掘算法.该算法使用高效的期望支持度计算方法和搜索空间裁剪技术,使得计算子图模式的期望支持度所需的子图同构测试的数量从指数级降低到线性级.实验结果表明,该算法比简单的深度优先搜索算法快3-5个数量级,有很高的效率和可扩展性.
-
关键词
不确定图
图挖掘
频繁子图模式
-
Keywords
uncertain graph
graph mining
frequent subgraph pattern
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名联合子图模式和网络表征的路网链路预测模型
被引量：2
- 2
-
-
作者
王斌
李毅磊
盛津芳
孙泽军
卢奔
-
机构
中南大学计算机学院
平顶山学院网络中心
-
出处
《小型微型计算机系统》
CSCD
北大核心
2019年第11期2357-2364,共8页
-
基金
国家重大科技专项项目(2017ZX06002005)资助
-
文摘
城市道路网络(简称路网)是一种结构复杂且高度稀疏的网络,对城市道路网络进行链路预测能够对城市结构变化进行合理预演,辅助城市设计者决策.本文针对路网特性提出了一种新的链路预测模型GRSC,该模型首先通过road2vec对路网进行网络表征,然后将子图模式和网络表征结果有机地结合起来,共同构建包含子图结构特征、游走距离特征的广义路网子图特征,最后训练logistic回归分类模型,用于路网链路预测.实验对比了GRSC模型和其它链路预测模型在不同国家、不同类型城市路网上的表现以及模型参数的变化对预测精度的影响,结果表明,GRSC在预测精度和稳定性方面都表现良好.
-
关键词
链路预测
子图模式
网络表征
分类模型
城市路网
-
Keywords
link prediction
subgraph patterns
network embedding
classification model
urban road network
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于子图模式的网络流量分类方法研究
被引量：3
- 3
-
-
作者
杨季
石亮山
陈波
汪明达
胡光岷
-
机构
电子科技大学通信与信息工程学院
川庆钻探工程公司地球物理勘探公司
-
出处
《计算机应用研究》
CSCD
北大核心
2014年第6期1816-1819,共4页
-
文摘
盲分类(blind classification,BLINC)方法提出利用不同网络应用在传输层子图连接模式的差异对网络流量进行分类,获得了良好的效果,该方法分类的准确度较高,但是完整度则相对较低。为了解决BLINC分类完整度较低的问题,借鉴BLINC的分类思想,提出了基于子图模式的流分类方法,该方法综合运用源节点子图模式、目的节点子图模式和端口分析技术。实验证明,在同样阈值的条件下该方法对同样一组Web、DNS、Mail、FTP、P2P流量数据进行分类,准确度与传统BLINC方法基本保持一致,但是完整度得到了明显的提高,具有很好的实用性。
-
关键词
流量分类
盲分类
匹配
子图模式
-
Keywords
flows classification
BLINC
match
graphlet patterns
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
-
题名基于子图模式的反恐情报关联图集分析
被引量：3
- 4
-
-
作者
李勇男
-
机构
中国人民公安大学侦查与反恐怖学院
-
出处
《现代情报》
CSSCI
2019年第7期37-43,共7页
-
基金
教育部人文社会科学研究青年基金项目“基于数据挖掘的涉恐情报量化分析方法研究”(项目编号:17YJCZH098)
中国人民公安大学基本科研业务费项目“基于频繁子图挖掘的反恐情报关联图集分析方法研究”(项目编号:2019JKF331)
-
文摘
[目的/意义]利用子图模式对暴恐案件中的人员关联进行分析可以发现涉恐人员关联图中的规律,为反恐情报分析提供有效参考。[方法/过程]首先对涉恐基础数据进行预处理,保证图中各顶点的唯一性。通过计数统计出所有的频繁1-子图和频繁2-子图,然后不断迭代生成其他候选子图并筛选频繁子图,直到达到终止条件为止。[结果/结论]该方法根据反恐情报的特点进行了优化,避免了普通频繁子图挖掘中的大量图同构检测,挖掘出的频繁子图可以反映不同类别涉恐人员之间的联系规律和联系特点,发现暴恐案件线索,有效预测和打击恐怖活动。
-
关键词
子图模式
反恐情报
数据挖掘
候选子图
图同构
-
Keywords
subgraph pattern
counter terrorism intelligence
data mining
candidate subgraph
graph isomorphism
-
分类号
G359
[文化科学—情报学]
D631
[政治法律—中外政治制度]
-
-
题名基于出行模式子图的城市功能区域发现方法
被引量：5
- 5
-
-
作者
肖飞
王悦
梅逸男
白璐
崔丽欣
-
机构
中央财经大学信息学院
-
出处
《计算机科学》
CSCD
北大核心
2018年第12期268-278,共11页
-
基金
国家自然科学基金(61503422
61602535)
+1 种基金
北京市社会科学基金项目(15JGC150)
中央财经大学科研创新团队支持计划资助
-
文摘
城市的功能区域是指在城市的发展过程中逐渐形成的功能(如工业、商业、居住、教育等)相对固定的地理区域。这些区域间的位置结构影响着城市中居民的出行模式,与此同时,城市居民的出行模式也客观地反映了城市不同区域的真实的功能定位。文中以出租车运行轨迹数据为基础,研究城市居民的出行模式,并根据所得模式实现城市功能区域的自动化发现。主要思路及贡献包括:1)使用车辆轨迹及路网结构数据构造区域模式图(region pattern graph)结构,并提出区域模式图构建算法,采用图结构将城市的不同地理区域连接起来;2)提出自底而上的功能区域发现算法(Bottom-Up Functional Region Discovering,BUFRD)框架及基本实现思路,包括提出频繁出行模式子图挖掘算法,发现区域模式图中频繁出现的出行模式;3)提出功能区域聚类算法,聚类已获取的出行模式子图集,并最终实现城市功能区域的发现。实验结果表明,通过所提方法发现的城市功能区域较传统方法所得结果的功能纯度更高,其熵值比传统方法降低了至少10%。
-
关键词
城市大数据
数据挖掘
城市功能区域
出行模式子图
-
Keywords
City big data
Data mining
City functional region
Travel pattern subgraph
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名多样性度量的Top-K区分子图挖掘
被引量：1
- 6
-
-
作者
王章辉
赵宇海
王国仁
李源
-
机构
东北大学计算机科学与工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2017年第9期1379-1388,共10页
-
基金
国家自然科学基金(Nos.61272182
61332014
+2 种基金
61173029)
国家自然科学重点项目(No.U1401256)
中央高校基本科研业务费专项资金(No.N150402002)~~
-
文摘
区分子图可以用来描述复杂的图数据结构和构建高效的图分类模型。提出了多样性度量的Top-K区分子图挖掘问题,避免了挖掘结果之间出现高度相关的子图模式,提高了区分子图模式的可用性。通过组合图结构相似性与支持集相似性约束,给出图模式的多样性度量标准。提出两个高效算法Greedy-TopK和LeapTopK挖掘多样性度量的Top-K区分子图。Greedy-TopK算法采用两阶段的增量式贪婪方法快速挖掘K个区分子图模式。Leap-TopK算法通过在挖掘过程中限制扩展结构相似的图模式,实现了跳跃搜索子图模式空间。实验结果表明,Leap-TopK算法的效率明显优于Greedy-TopK算法;在可用性方面,利用Leap-TopK算法与Greedy-TopK算法挖掘结果构建的图分类器具有相似的分类精度,且都优于传统区分子图挖掘算法产生的结果。
-
关键词
图挖掘
图分类
子图模式
区分子图
多样性
-
Keywords
graph mining
graph classification
subgraph pattern
discriminative subgraph
diversity
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名二分类图上的非冗余协同图模式挖掘算法
- 7
-
-
作者
王章辉
赵宇海
王国仁
李源
-
机构
东北大学信息科学与工程学院
-
出处
《计算机学报》
EI
CSCD
北大核心
2015年第7期1434-1447,共14页
-
基金
国家自然科学基金(61272182
61100028
+6 种基金
61073063
61173030
61332014)
国家"八六三"高技术研究发展计划项目基金(2012AA011004)
国家杰出青年科学基金项目(61025007)
新世纪优秀人才支持计划(NCET-11-0085)
中央高校基本科研业务费(N130504001)资助~~
-
文摘
图模式广泛应用于构建高效图分类模型的特征空间识别.协同图模式是一种内部节点高度相关的图结构,与普通图模式相比,协同图模式具有更高的区分能力,从而更加适用于分类模型的特征选择.文中研究了从二分类图中挖掘非冗余协同图模式的问题,通过限制协同图模式的区分能力远远高于其所有子图模式的非冗余性质,大幅度减少了挖掘结果的数量,同时保留了具有强区分能力的协同图模式.由于协同图模式理论上必须检测其所有子图是否满足约束条件,挖掘它们非常具有计算挑战性.基于非冗余协同图模式的多种特性,提出相对应的削减规则;通过对区分能力的边界估计,提出两个快速检测非冗余协同图模式方法,在此基础上给出了一种高效的深度优先挖掘算法GINS.大量真实与合成数据集上的实验结果表明,GINS算法明显优于其他两个代表性算法,作为图分类模型的分类特征时,非冗余协同图模式获得了较高的分类精度.
-
关键词
二分类图
非冗余
协同图模式
图分类
图挖掘
子图模式
分类器
-
Keywords
two classes of graphs
non-redundant
synergy graph patterns
graph classification
graph mining
subgraph pattern
classifier
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
