基于嘗試優(yōu)先策略的頻繁導(dǎo)出子圖挖掘算法.pdf

1、隨著包括化學(xué)情報(bào)學(xué)、生物信息學(xué)、計(jì)算機(jī)視覺、視頻索引、文本檢索以及Web分析在內(nèi)的廣泛應(yīng)用,圖作為一種一般數(shù)據(jù)結(jié)構(gòu)在復(fù)雜結(jié)構(gòu)和它們之間相互作用建模中變得越來越重要。為了進(jìn)一步進(jìn)行特征化、區(qū)分、分類和聚類分析,挖掘頻繁子圖模式已經(jīng)成為一項(xiàng)重要的任務(wù)。近年來,頻繁子圖挖掘已經(jīng)成為數(shù)據(jù)挖掘中一個(gè)活躍和重要的課題。
　　 本文對(duì)基于圖論的經(jīng)典頻繁子圖挖掘算法進(jìn)行了系統(tǒng)的研究和全面的總結(jié),在此基礎(chǔ)上提出了基于深度優(yōu)先策略的頻繁導(dǎo)出子圖挖掘

2、算法CISM(ConnectedInduced Subgraph Mining)。CISM采用基于頂點(diǎn)的擴(kuò)展策略。首先掃描圖集,找到圖集中的頻繁點(diǎn),并把非頻繁點(diǎn)從圖集中刪除,降低問題的規(guī)模；然后找到圖集中的頻繁邊,將頻繁邊按支持度降序排列；接下來對(duì)每一條頻繁邊進(jìn)行深度優(yōu)先搜索,擴(kuò)展生成候選導(dǎo)出子圖,找到該邊的所有候選導(dǎo)出k-子圖,緊接著對(duì)這些候選導(dǎo)出k-子圖進(jìn)行支持度計(jì)數(shù),得到頻繁導(dǎo)出k-子圖,再由這些頻繁導(dǎo)出k-子圖找到頻繁導(dǎo)出(k+