面向属性图的协作模式挖掘方法

论文摘要

随着“科技社会”口号的提倡,互联网技术得到了极大的关注。这些互联网如社交网络和商业网络,都极大的推动了信息的产生和传递。在信息交流和传递的过程中,产生了大量的中间产物即网络数据集合。对于这些数据集合的理解和研究能够更好帮助我们去完善个体和网络服务。研究者常常采用属性图这种表示方法来描述这种数据集合。在传统的属性图中,研究者常常关注顶点的属性和图的拓扑结构,忽视了属性图的时间信息即属性图的时间戳信息。为此,本文提出了协作模式的挖掘问题。协作模式是指在紧凑的一段时间内,由拓扑结构紧密的顶点集协作完成的项集。这种新的模式不仅能够完善现在属性图模式挖掘方法,而且能够更好的帮助我们理解这些网络数据,完善网络的性能。本文设计了协作模式的挖掘方法。整体方法采用两步来进行挖掘:（1）协作路径信息的发现;（2）挖掘频繁协作模式。具体为,传统的属性图中的”属性”指的是顶点的标签或者特征,但是本文考虑的属性是指顶点的行为。因此需要在传统属性图基础上进行拓展。值得注意的是,在属性图上挖掘的协作模式是由参与同一件协作事件的顶点行为序列所引入的项集构成。这些行为序列记录了在什么时间戳下什么顶点发生什么行为。将这些行为序列所对应的项目序列称为协作的路径信息。通过挖掘这个路径信息,可以发现这件协作事情包含了哪些项集,及出现的概率。因此,本文首先利用信息传递的思想去发现这些协作路径信息,然后采用FP-tree模型对这些协作路径信息中的频繁协作模式进行挖掘。必须指出的是,由于实际生活中存在很多随机事件,不可避免将会导致挖掘的无效性。本文采用了G-test方法对协作模式进行随机性验证,确保所挖掘的模式具有实际的研究价值。最后,为了验证协作模式算法的有效性,在一些公共数据集上进行了一系列结果验证实验。实验结果证明了本文算法的有效性。同时在实验中改变了不同参数的数值以验证不同参数对算法性能影响。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 课题研究的背景及意义
•   1.2 国内外研究现状
•   1.3 论文的主要研究内容及创新点
•     1.3.1 论文的主要内容
•     1.3.2 创新点
•   1.4 论文的主要组织结构
• 第二章 属性图模式挖掘相关技术
•   2.1 属性图
•     2.1.1 属性图的背景知识
•     2.1.2 属性图的数学表示
•   2.2 属性图模式挖掘相关方法
•     2.2.1 基于模块度的模式挖掘方法
•     2.2.2 基于信息传播的方法
•     2.2.3 Gspan方法
•   2.3 相关方法分析对比
•   2.4 本章小结
• 第三章 协作模式的问题描述
•   3.1 协作模式的相关定义
•   3.2 协作模式的特性
•     3.2.1 协作模式的时间特性
•     3.2.2 协作事件的拓扑结构
•     3.2.3 协作事件的项集特征
•   3.3 本章总结
• 第四章 挖掘协作模式的算法设计
•   4.1 挖掘协作模式的简单方法
•   4.2 协作路径信息的发现
•   4.3 频繁协作模式的挖掘
•   4.4 协作模式的算法分析
•   4.5 本章小结
• 第五章 挖掘协作模式算法的实验
•   5.1 实验环境
•   5.2 实验数据集
•   5.3 数据预处理
•   5.4 评测指标
•   5.5 实验挖掘结果分析
• interval影响'>  5.6 时间间隔time_interval影响
• min的影响'>  5.7 最小传播概率P_min的影响
•   5.8 运行效率
•   5.9 本章小结
• 总结与展望
• 参考文献
• 致谢
• 攻读硕士学位期间取得的科研成果

文章来源

类型: 硕士论文

作者: 雷燕

导师: 管子玉

关键词: 属性图,模式挖掘,时间性,协作模式

来源: 西北大学

年度: 2019

分类: 基础科学

专业: 数学

单位: 西北大学

分类号: O157.5

总页数: 63

文件大小: 1960K

下载量: 18