频繁子图

摘要： 近年来,脑网络被广泛应用在脑部疾病的诊断和分类中。考虑到大脑的不确定性特征,先前的研究将不确定图应用在脑网络建模中。在不确定脑网络研究中,传统的特征提取方法多采用均值、方差、极差等进行子图特征提取,但是它们存在泛化性能差以及子图间差异无法直接衡量的问题,进而影响分类准确率。因此,相对极差被提出作为新的特征提取方法。这一方法的优点在于既考虑到子图模式间的最大差异,又考虑到子图模式间的组间差异,可以有效避免传统方法的弊端。结果表明,相对极差与其他特征提取方法相比,其分类性能显著高于传统方法。同时,在不同的特征选择方法下相对极差表现出较好的分类性能,具有很强的泛化性。该研究为不确定脑网络特征提取方法提供了重要的参考意义。

摘要： 挖掘大量移动轨迹数据获取移动性知识,可为城市交通、智慧医疗等众多行业领域提供辅助决策.但现有的移动性知识表达方式过于简单,不能反映产生移动轨迹数据复杂系统的潜在运行规律,需要从网络的视角分析移动性知识之间的复杂关系.提出了一种基于有向频繁子图挖掘的移动性模式网络构建方法,包括移动轨迹数据到轨迹有向图的转换,基于有向图的移动轨迹频繁子图挖掘,以及基于GraphX图处理框架的移动性模式网络构建.实验结果发现:基于提出方法构建的移动性模式网络,可以使用源节点、目标节点的数量,平均节点度值(包括平均节点入度、平均节点出度)以及网络聚集系数等网络特征,清晰表达移动性知识之间的复杂关联关系.

摘要： 目的 扩展经典的频繁子图挖掘算法以获得在中医学科中表现更好的数据挖掘效果,从而得出隐含在中医病案中的辨证论治模式.方法 结合中医病案数据特征,扩展经典的图挖掘算法,对多个症状属性分别设置最小支持度阈值参数,再用扩展后的基于多重最小支持度的数据挖掘算法对数据集中蕴含的辨证论治模式进行挖掘.结果 对3319条慢性阻塞性肺疾病(急性加重期)真实病案数据应用扩展的频繁子图挖掘算法,得到一系列该病相关的八纲辨证模式.与经典算法相比,扩展算法挖掘得到的辨证模式在模式维度和数量方面均明显提升.结论 扩展后的频繁子图挖掘算法能够运用于中医辨证论治模式的挖掘,发现病案中隐含的辨证规律,且在模式完备性上具有比原始算法更好的效果.

摘要： 随着电力系统规模的日益增大,新能源的不断加入,系统中的知识总量呈爆炸式增长,电力系统运行需基于更高的数据质量实现,以便为系统提供全方位,全周期的数据共享。国内电力信息系统所使用的数据库一般为结构化数据库。而传统关系型数据库在处理大数据复杂关系问题过程中,一系列技术瓶颈日益凸显,传统数据库已经无法满足海量数据的处理建模与分析。本文提出了一种全自动化新能源大数据异常检测的技术方法,它利用知识图谱天然反应数据间现有关系的优势,基于图结构和图顶点的属性信息,对异常图模式进行形式化定义以直接挖掘电网拓扑结构中的异常数据。本文挖掘的异常数据在现实中具有语义信息,在异常数据检测问题上具有可行性和实用价值。通过挖掘富有语义信息的异常图模式,检测新能源大数据中的异常数据,以保证数据的可靠性和准确性,避免错误或无效数据影响电力系统精细化管理和电网安全运行。算例实验效果良好,表明所提出的辨识方法具有理论价值和实际应用价值。

摘要： 基于图的恶意代码检测的方法必须为每个已知恶意软件建立行为依赖图,传统的基于动态污点分析技术恶意代码检测方法的行为依赖图的数量巨大,匹配很耗时间,很难运用于实际应用中.针对这个问题,提出一种基于恶意代码家族行为频繁予图挖掘的恶意代码检测方法,运用动态污点分析技术对系统调用API(application program interface)参数进行污点标记,通过追踪污点数据的轨迹得到系统API调用关系;其次使用动态污点分析方法生成单个样本的行为依赖图;然后,用频繁子图挖掘方法挖掘出恶意代码家族频繁行为子图;最后,以家族行为频繁子图作为家族行为特征,以随机森林算法建立分类器进行恶意代码检测.相对于传统的基于API序列和单一的基于恶意代码行为依赖图的检测方法,提出的方法不受代码混淆技术的影响,并且在很大程度上缩减了行为依赖图的数量,且不丢失恶意代码行为特征,提高了恶意代码检测的效率和分类准确率.

摘要： 随着移动通信技术和互联网的飞速发展,移动通信设备已经成为大多数人随身携带的工具,这些设备之间因互相通信而产生的数据构成了通信网络.文中提出了一种针对海量通信数据的频繁通信子图并行挖掘算法PMFCS.该算法在频繁项目集挖掘思想和子图连接规则的基础上,利用并行计算框架Spark将所有的图以边为单位分布到各个计算节点,在各个节点统计1阶候选频繁子图,再通过汇总候选子图得到1阶频繁子图.PMFCS算法通过迭代地连接k-1阶子图和1阶子图生成k阶候选子图,再计算k阶候选子图的频繁度,直至k阶频繁子图集合为空集.实验结果表明,该算法可以快速、有效地解决频繁通信关系的挖掘问题.%With the rapid development of mobile communication technology and Internet,mobile communication equipment has become a portable tool for most people.A parallel algorithm PMFCS was proposed for mining frequent communication sub-graph of mass communication data.The algorithm is based on the Apriori algorithm and sub-graph connect principle.It uses Spark to distribute all the edges to each computing node,then the 1th-order frequent candidate sub-graphs are distributed to each node,the 1th-order frequent candidate sub-graphs are counted at each node,and the 1th-order sub-graphs are got by summarizing candidate sub-graphs.PMFCS iteratively connects the (k-1)th-order subgraph and the 1th-order sub-graph to generate kth-order candidate sub-graphs.Subsequently,the algorithm terminates until the kth-order frequent sub-graph set is empty.The experimental results show that PMFCS can mine the frequent communication sub-graph efficiently and quickly.

摘要： 现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络.低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式.高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大.基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类.实验结果表明所提方法的分类精确度高达97.54％,获得了很好的分类性能.

摘要： Apriori算法是传统数据挖掘中挖掘频繁项集的一个典型算法。本文在对Apriori算法思想进行归纳的基础上,通过对两个典型的频繁子图挖掘算法的分析,阐述了Apriori算法思想在频繁子图挖掘中的应用,进一步明确了Apriori算法思想在基于图的数据挖掘中的重要性，结合Apriori算法思想特征以及基于图的数据挖掘特性,对频繁子图挖掘算法的改进方向进行了展望。

摘要： 图结构挖掘已成为当前数据挖掘的研究重点之一.在文本结构分析、生物信息处理以及网络结构分析等领域图结构挖掘都有着广泛应用.频繁子图的数量通常随图的大小呈指数增长,为此人们提出了很多的解决方法,如FSG,gSpan,Closeraph.通过引入子图同构和结构同构的概念,借助贪婪搜索算法和完全级别搜索算法的思想,结合图论和频繁项目集的挖掘算法,提出了一种新的频繁子图挖掘算法--FSM(frequent subgraph mining). FSM算法降低了寻找频繁子图的复杂度,提高了图结构挖掘的效率.

摘要： 频繁子图挖掘是各种图挖掘的基础和瓶颈，为了提高频繁子图挖掘算法的效率，在频繁闭图方法的基础上提出了一种新算法BPCG．首先使用了一种新结构表存储频繁子图集，从而不需扫描图集就可直接扩展最频繁邻接边及计算支持度阈值;然后算法又利用兄弟剪枝策略和删除局部频繁边，缩小搜索空间并减少不必要的操作．通过实验证明，算法优于其他子图挖掘算法．

摘要： 在本文中,主要考虑如何高效地从图库中获取频繁模式,提出了对AcGM的改进方案,并在Topology中予以实现.在这些改进中,顶点格技术的引入对减少同构的判定,提高性能最为有效,其次是采用先同分后异构的原则进一步限制搜索空间.

摘要： 在本文中,主要考虑如何高效地从图库中获取频繁模式,提出了对AcGM的改进方案,并在Topology中予以实现.在这些改进中,顶点格技术的引入对减少同构的判定,提高性能最为有效,其次是采用先同分后异构的原则进一步限制搜索空间.

摘要： 在本文中,主要考虑如何高效地从图库中获取频繁模式,提出了对AcGM的改进方案,并在Topology中予以实现.在这些改进中,顶点格技术的引入对减少同构的判定,提高性能最为有效,其次是采用先同分后异构的原则进一步限制搜索空间.

摘要： 在本文中,主要考虑如何高效地从图库中获取频繁模式,提出了对AcGM的改进方案,并在Topology中予以实现.在这些改进中,顶点格技术的引入对减少同构的判定,提高性能最为有效,其次是采用先同分后异构的原则进一步限制搜索空间.

摘要： 本发明公开一种多图数据中频繁子图挖掘的差分隐私保护方法，考虑了在多图这一含有丰富信息的数据中进行频繁子图挖掘时可能存在的隐私问题，设计了满足差分隐私的扰动机制算法，通过限制多图中一对顶点之间所具有的边关系的数量，即计算多边拥有的边关系的最大限制数量Lmax，在噪音挖掘频繁种子的过程中，对于数量超过最大限制的多边，将其进行截断，这样能够提高挖掘结果可用性并保持较高的隐私保护等级，且也可以扩展到单边图的频繁模式挖掘当中。

摘要： 本发明提供一种使用Hadoop的极大频繁子图挖掘方法，该方法通过使用Hadoop来挖掘极大频繁子图，将频繁子树与候选边结合后，通过已保存的中间结果来判断其是否频繁并产生极大频繁子图，而不需要再次遍历数据库，极大频繁子图极大地降低了输出数量，可以在大数据的情况下挖掘极大频繁子图，同时由于生成的候选集只包括频繁子树及其候选边，降低了运行时间。

摘要： 本发明提供的是一种基于最大频繁子图挖掘的动态污点分析方法。包括动行为依赖图构建、最大频繁子图挖掘和行为依赖图匹配三个部分。采用邻接矩阵存储行为依赖图，其中顶点间的数据关联边用1表示，控制关联边用2表示，无相应依赖边用0表示。最大频繁子图挖掘算法即SPIN‑MBDGM算法的主要思想是首先使用FFSM算法从行为依赖图集中得到频繁子树，然后通过添加候选数据关联边和控制关联边的扩展算法生成最大频繁子图。该方法的主要优点是从同一恶意代码家族所有的行为依赖图中挖掘最大公共部分，在不丢失特征信息的情况下减少特征库中行为依赖图的数量，从而提高识别速度。

摘要： 本发明提供了一种单个图的频繁子图挖掘方法及装置，其中，该方法包括：根据单个图的节点标签的字典排序结果生成规范邻接矩阵，并为各图节点顺序编号；通过规范邻接矩阵生成初始次优规范邻接矩阵树，叶子节点包括第一数量的边，其CSP搜索空间为其所包含节点标签对应的图节点的编号的字典排序顺序组合；依据规范邻接矩阵对叶子节点做FFSM‑Join运算或FFSM‑Extension运算，子图增长得到扩充一条边的孩子节点；以孩子节点作为候选子图，依据子图增长方式构建其CSP搜索空间；若搜索空间的有效个数小于设定支持度阈值，则将候选子图标记为无效子图；若未完成增长，继续进行子图增长，若完成子图增长，则输出频繁子图。通过上述方案能够提高频繁子图挖掘效率。

摘要： 本发明提供一种基于社区检测的频繁子图挖掘方法，该方法通过获取待挖掘图数据，基于深度优先搜索算法，对子图进行并行计算，从待挖掘数据中挖掘出所有满足频繁阈值的子图集合。通过对预处理的图数据进行社区检测操作，在社区内将顶点按照顶点标签进行聚类，并从每个标签集合中抽取同比例的顶点个数，得到频繁子图挖掘的起始集合。根据起始集合展开子图扩展操作，每进行一轮扩展，将产生的候选子图进行剪枝，及时删除非频繁的子图，减少后续的无效扩展，大大提高了扩展和挖掘效率，同时在剪枝时高效进行同构检测操作，减少执行时间，进一步提高了子图挖掘效率。此外，本发明通过对比实验验证了本发明方法的高效性。

摘要： 本发明公开了一种基于频繁子图挖掘的网络系统关联服务发现方法，使用Coco哈希和最小堆这两种数据结构来统计网络流数据中各个节点的访问信息，并使用相应的图序列生成算法来对各类数据进行处理生成频繁子图挖掘所需的图序列数据。在处理完所有网络流数据后，运行网络系统服务发现算法快速地挖掘出相关的网络系统服务。最终使用网络系统关联服务发现算法来挖掘出已统计的IP访问数据中的一些相互关联的数据，筛选出之间存在一定关系的IP地址组成的频繁项集，然后进一步处理准确统计出网络系统关联服务。本发明将统计后的网络数据流信息转化为图序列数据集而后采用频繁子图挖掘相关技术，挖掘出网络系统中的关联服务相关信息。

摘要： 本发明提供了一种基于并行框架的时态频繁子图挖掘方法，方法针对现有的频繁子图挖掘研究都没有考虑图中节点或边上时间属性的问题，利用时间属性累加方法并行挖掘大图中的频繁子图。为了计算包含时态属性的频繁子图，发明中采用了使用最小支持度的频繁子图挖掘方法。实验结果表明，该算法可以准确，高效地计算出具有相应时间频率的所有时态频繁子图，并且在具有人工时间信息的真实数据集上的实验结果也验证了时态频繁子图挖掘算法的实际可用性。

摘要： 本发明提供一种根因分析频繁子图置信度预测方法及系统，其方法包括：确定待预测置信度的根因图谱网络中两个节点；将所述待预测置信度的根因图谱网络中两个节点输入至根因分析频繁子图置信度预测模型，得到所述根因图谱网络中两个节点的置信度预测结果；其中，所述根因分析频繁子图置信度预测模型是基于根因图谱网络边集数据生成的关系网络节点向量数据集构建标签化数据集后对SVM分类模型进行调参训练得到的。本发明实现了根因分析频繁子图置信度预测的高效率及高准确度。

摘要： 本发明公开的一种事件模式频繁子图挖掘与预测方法，涉及知识工程技术领域，旨在降低挖掘开销，提升挖掘速度。本发明通过下述技术方案实现：在基于密度的图摘要阶段将基于密度图摘要图中的节点划分成簇或者超级节点，依次选取节点构建一个简洁的高层次的图；在模式挖掘阶段，在大规模的事件图谱上进行频繁子图挖掘，基于事件模式挖掘频繁子图，在事件图谱的图集中找到频繁出现的子图；基于图摘要算法对输入图G进行摘要，以摘要结果为输入进行频繁子图挖掘和基于图摘要的挖掘预处理；最后，利用多源数据，从多方来源多个角度进行事件模式的挖掘与预测，根据用户定义的最小支持度min_sup或其他输出标准进行候选集过滤和频繁子图输出。

摘要： 本发明公开了一种基于分层搜索不确定图的频繁子图的方法，其特征在于，包括如下步骤：1）设定不确定图中频繁子图的概率阈值，不同频繁子图概率阈值的设定依据具体情况来定；2）构建不确定图中每个子图的边索引I