关于数据图和网络挖掘在信息系统中的应用探索与研究.pdf

关于数据图和网络挖掘在信息系统中的应用探索与研究 丁科家 江西现代职业技术学院 江西 南 昌 330095 【摘 要】图表示更一般的结构，比集合 、序列、格和树更一般。图应用范围广泛，涉及WEB和社会网络、信息网络、生物学网络、生物信息学、 化学情报学、计算机视觉、多媒体和文本检索。因此，图和网络挖掘变得 日趋重要，并被大量研究。 【关键词】数据图 网络挖掘 信息 中图分类号：TP391文献标识码：B 文章编号：1009—4067(2014)20—31—01 一 、 图模式挖掘 来指导网络结构的发现。在数据挖掘研究领域中，网络的监督分类和半 图模式挖掘是在一个图或一个图集中挖掘频繁子图 (又称 (子 )图 监督分类是当前热门课题。 模式)。挖掘图模式的方法可以分成基于Apfiofi和基于模式增长的方法。 五、异质网络的聚类、评定和分类 后者，我们也可以挖掘闭图的集合，其中，图g是闭的，如果不存在具 异质网络包含不同类型的互联的节点和连接。这种互联结构包含丰 有与g相同的支持度计数的真超图g’。此外，存在许多图模式的变形， 富的信息，可以用来相互加强节点和连接，从一种类型到另一种类型传 包括近似的频繁图、凝聚图和稠密图。用户指定的约束可以推进到图模 播知识。这种异质网络的聚类和 评定可以在如下情境下携手并进：在簇 式挖掘过程中，以提高挖掘的效率。 的内聚性评估方面，簇中高 的节点，链接可比较低 的节点，链接贡献更 图模式挖掘有许多有趣的应用。例如，基于频繁和有区别力的图模 大。聚类可以帮助加强对象／链接贡献给簇的高的 评定。这种 评定和聚 式概念，它可以用来产生紧凑和有效的图索引结构。利用图索引结构和 类的相互加强推动了一种称为RankClus算法的开发。此外，用户可以指 多个图特征，可以实现近似的结构相似性搜索。此外 ，用频繁的和有区 定不同的 评定规则或为某种类型的数据提供标记的节点链／接。一种类型 别力的子图作为特征，可以有效地进行图分类。 的知识可以传播到另一种类型。这种传播经由异种类型的链接到达相同 二、网络的统计建模 类型的节点链／接。已经开发了在异质网络中进行监督学习和半监督学习 网络有一个节点集和一个连接这些节点的边 (或连接)即组成；每 的算法。 个节点对应于一个对象，与一组性质相关联；边表示对象之间的联系。 六、信息网络中的角色发现和链接预测 一 个网络是同质的，如果所有的节点和边都具有相同的类型，如朋友网 在异质网络的不同节点，链接之间可能存在许多隐藏的角色或联系。 络 、合著者网络和网页网络。一个网络是异质的，如果节点和边具有不 例子包括科研发表物网络中的导师一学生、领导一下属联系。为了发现这 同的类型如发表物网络 (把作者、引文、论文和内容连接在一起 )和卫 种隐藏的角色或联系，专家可以基于他们的背景知识指定一些约束。强 生保健网络 (把医生、护士、患者和处置连接在一起 )。 化这种约束可能有助于大型互联网络中的交叉检查和验证。网络中的冗 研究人员已经为同质网络提供了多种统计模型。最著名的生成模式 余 息常常可以用来清除不满足这些约束的对象，链接。 是随机图模型 (Erdos—Reny模型)、Watts—Strogatz模型和无标度模型。无 类似地 ，可以基于对候选节点魅接之间的期望联系的 评定的估计进 标度模型假定网络服从指数分布定律。在大部分大型社会网络中都观察 行链接预测。例如，可以基于作者发表论文的历史和类似课题的研究趋 到小世界现象，即网络可以刻画为对于一小部分节点具有高度局部聚类 势，预测作者可能写、读或引用哪篇论文。这种研究一般要分析网络节 (即这些节点相互连接)，而这些节点与其余节点的分割度没有多少。 点链／接的邻近生『和趋势以及它们类似近邻的连接性。粗略的说，人们把 社会网络展示了某些进化特征。它们趋向于遵守稠化幂律，即网络 连