最大频繁子图挖掘算法DMFS.doc

最大频繁子图挖掘算法DMFS 　　[摘 要]最大频繁子图挖掘得到的结果数量少而且不会丢失信息，有益于对结果的理解和应用。为了避免挖掘所有频繁子图，降低挖掘难度，本文应用决策树挖掘最大频繁子图。挖掘过程中，首先构造决策树，然后对决策树进行剪枝得到最大频繁子图，最后通过实验验证算法的可行性以及正确性 [关键词]数据；挖掘；最大频繁子图；决策树；子图同构 doi：10.3969/j.issn.1673 - 0194.2017.04.099 [中图分类号]TP301.6 [文献标识码]A [文章编号]1673-0194（2017）04-0-02 基于图的数据挖掘提出时间不长，但图论作为数学的研究领域已经有了很长的历史，所以频繁子图挖掘得以很好地发展。但是频繁子图挖掘得到的结果数量巨大，影响着对结果的理解、应用以及分析工作。最大频繁子图包含了所有频繁子图，挖掘最大频繁子图可以保证信息的完整性，而且挖掘最大频繁子图可以得到少量结果从而节省了空间，简化了分析工作。基于此，可以将频繁子图挖掘转换为最大频繁子图挖掘。MARGIN算法和SPIN算法是经典的最大频繁子图挖掘算法，它们必须挖掘出所有的频繁子图，然后再挖掘最大频繁子图。虽然最大频繁子图挖掘得到的结果少了，但挖掘过程很复杂，难度很高 针对最大频繁子图挖掘算法中存在的问题，本文提出新的最大频繁子图挖掘算法DMFS（Decision tree to Mining Maximal Frequent Subgraph）。DMFS算法利用决策树来挖掘最大频繁子图，首先构造决策树，其次对决策树进行剪枝（剪掉决策树中不频繁的节点），最后通过剪枝后的决策树来得到最大频繁子图集合 1 图挖掘相关概念 （1）标记图用五元组G=（V，E，ΣV，ΣE，L）表示标记图，V是结点集，E是边集，ΣV，ΣE分别为结点标记和边标记的集合，L为V→ΣV，E→ΣE的映射 （2）子图给定图G1=（V1，E1，ΣV1，ΣE1，L1）和G2=（V2，E2，ΣV2，ΣE2，L2）， G1为G2的子图当且仅当： V1V2，E1E2 ?u∈V1，L1（u）=L2（u） ?（u，v）∈E1，L1（u，v）=L2（u，v） （3）同构如果图G1=（V1，E1，ΣV1，ΣE1，L1）同??于图G2=（V2，E2，ΣV2， ΣE2，L2）当且仅当存在映射f： ?u∈V1，L1（u）=L2（f（u）） ?u，v∈V1，（u，v）∈E1则（f（u））∈E2 ?（u，v）∈E1则L1（u，v）=L2（f（u），f（v）） （4）子图同构若图G1子图同构于图G2，当且仅当在图G2中存在子图G2’，使G2’同构于图G1 （5）支持度给定一个大小为n的图数据库D={G1，G2，…，Gn} 设 则g在图数据库D中的支持度sup（g，D）=?（g，D）/n （6）频繁子图给定最小支持度minsup，如果图g的支持度sup（g，D）≥minsup则称图g为频繁子图。如果频繁子图g的任意超图均不频繁，则图g为最大频繁子图 2 决策树 决策树是基于机器学习的数据挖掘技术，它形式简单，分类速度快，无需先验知识，而且由决策树表达的规则直观清晰。应用决策树计算支持度的想法来源于FSM算法，FSM算法存在不能正确计算出支持度的问题，本文通过改进决策树解决这个问题，具体改进如下 ①DMFS算法在构造决策树时不是采取每次增加一个顶点的方式，而是每次增加一条边。②FSM算法中将某节点的支持度计为其孩子节点的支持度的总和，忽略了决策树中会有很多重复的leaf node，所以必须改变支持度的计算方法。③结合经典MARGIN算法的剪枝策略，通过对决策树进行剪枝得到最大频繁子图 2.1 构造决策树方法 （1）为了正确且简单地计算子图的支持度，对图集中的两个图进行编号 （2）在构造决策树之前，首先找到图集中所有不同的结点标记，然后计算结点支持度生成两个集合，分别为频繁结点集和非频繁结点集，如果某结点标记的支持度为100%，则仅将该结点标记添加到决策树中第二层，将其作为根节点的孩子节点 （3）从编号为1的图以每次添加一条边的方式构造图集的决策树 2.2 构造决策树实例 假设图集中含有两个图，minsup=100%，为图集构造决策树如下。①将图进行编号为G1、G2。②A、B、C均为频繁的结点标记，结点标记A的支持度为100%，将A添加到决策树的第二层，将其作为根节点的孩子节点。③现在从图G1的结点A开始构造它的决策树，与A关联的边有两条分别为（A，1，B）（A，2，C），将表示这两条边的节点添加在决策书的第三层，作为A的孩子节点。与（