频繁子图挖掘算法gSpan设计与实现.docVIP

频繁子图挖掘算法gSpan设计与实现 　　摘 要：由于大部分图挖掘算法都需要利用频繁子图，频繁子图挖掘逐渐成为了数据挖掘领域中的热点研究内容。目前，很多高效的频繁子图挖掘算法已经被提出。其中，ｇＳｐａｎ算法是目前公认的最好的频繁子图挖掘算法。然而，在化合物数据集上，还可以利用化合物的特殊结构进一步优化ｇＳｐａｎ算法的性能。文献利用了化合物分子结构的对称性和原子类型分布的不均衡性，提出了一些新的优化策略，进一步改进了ｇＳｐａｎ的性能。鉴于ｇＳｐａｎ算法在图挖掘领域乃至整个数据挖掘领域的重要性，设计并实现ｇＳｐａｎ算法。同时，采用文献[４]中的优化策略，进一步提高ｇＳｐａｎ算法在化合物数据集上的运行效率。 　　关键词： 　　中图分类号： ＴＰ３１１ 文献标识码： Ａ 文章编号：２０９５－２１６３（２０１１）０３－００５５－０３ 　　Ｄｅｓｉｇｎ ａｎｄ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ Ａ Ｆｒｅｑｕｅｎｔ Ｓｕｂｇｒａｐｈ Ｍｉｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｇＳｐａｎ 　　ＧＵＯ Ｙｕｌｉｎ， ＬＩＵ Ｙｏｎｇ 　　 　　Ａｂｓｔｒａｃｔ： Since most of the graph mining algorithms are needed to make frequent subgraph,frequent subgraph mining is gradually becoming the hot spot in the field of research. At present, many efficient frequent subgraph mining algorithms have been proposed. Among them, gSpan algorithm is currently accepted as the best frequent subgraph mining algorithm. However, in the compound datasets, the performance of gSpan algorithm based on the special structure could be further optimized. The paper uses the symetry of the molecular structure of compounds and the unequilibrium of the distribution of atomic types, and puts forward some new optimization strategy, so as to further improve the performance of gSpan algorithm. Because gSpan algorithm is very vital in graph mining areas and the entire data mining field, this paper designes and implementes gSpan algorithm. Meanwhile, the paper also prepares to adopt the optimization strategy in the literature[4], further improves the gSpan algorithm operation efficiency in compound datasets. 　　Ｋｅｙ ｗｏｒｄｓ： 　　 　　０ 引言 　　 由于大部分图挖掘算法[１－３]都需要利用频繁子图，频繁子图挖掘逐渐成为了数据挖掘领域中的热点研究内容。目前，很多高效的频繁子图挖掘算法已经被提出。其中，ｇＳｐａｎ算法是目前公认的最好的频繁子图挖掘算法。该算法利用模式增长（ｐａｔｔｅｒｎ－ｇｒｏｗｔｈ）策略，采用深度优先方式遍历模式搜索空间。在某个频繁子图ｐ的基础上，扩展产生ｐ的孩子（ｐ的超模式） 并计算其支持度，对ｐ的每个频繁孩子，以深度优先方式继续扩展，直到发现全部频繁子图为止。 　　 然而，在化合物数据集上，还可以利用化合物的特殊结构进一步优化ｇＳｐａｎ算法的性能。文献[４]利用了化合物分子结构的对称性和原子类型分布的不均衡性，提出了一些新的优化策略，进一步改进了ｇＳｐａｎ的性能。 　　 本文内容安排如下：第１节给出问题定义 第２节给出算法描述 第３节给出实验结果第４节总结全文。 　　１ 问题定义 　　 本节首先介绍预备知识，然后给出问题的形式化定义。 　　 本文主要考虑连通的无向标号简单图。通过简单修改，本文的ｇＳｐａｎ算法也适