图数据管理与挖掘

前言第1章 大图数据库中基于集合相似度的子图匹配查询处理方法1．1 引言1．2 预备知识1．2．1 问题定义1．2．2 架构1．3 集合相似度剪枝1．3．1 倒排模式格的构建1．3．2 剪枝技术1．3．3 倒排模式格的优化1．4 基于结构的剪枝操作1．4．1 结构化签名1．4．2 基于签名的LSH1．4．3 结构化剪枝1．5 基于支配集的子图匹配1．5．1 DS．匹配算法1．5．2 支配集的选择1．6 实验分析1．6．1 数据集合设置1．6．2 比较方法1．6．3 线下性能1．6．4 线上性能1．7 结论第2章 基于集合相似度的子图匹配查询原型系统2．1 引言2．2 预备知识2．2．1 问题定义2．2．2 方法概览2．3 签名及DS-Tree2．3．1 查询签名和数据签名2．3．2 DS-Tree2．3．3 利用DS-Tree查询2．4 支配子图2．5 SMOC算法2．6 实验2．6．1 数据集和实验环境2．6．2 对比方法2．6．3 离线处理性能2．6．4 在线处理性能2．7 结论第3章 利用社会网络图数据的情境感知个性化推荐方法3．1 引言3．2 预备知识3．2．1 问题定义3．2．2 方法框架3．3 角色挖掘3．3．1 角色的定义3．3．2 用条件数据库进行角色挖掘3．3．3 情境感知的角色权重3．4 基于角色的信任模型3．5 寻找相似用户3．5．1 WSSQ算法概述3．5．2 前缀过滤3．5．3 L1-范数过滤3．5．4 相似度计算的优化3．6 推荐方法3．7 实验评价3．7．1 数据集描述3．7．2 对比方法3．7．3 对角色挖掘和信任模型的评价3．7．4 推荐质量3．7．5 推荐时间3．8 结论第4章 多层聚簇中基于协同过滤的跨类推荐算法4．1 引言4．2 预备知识4．2．1 问题定义4．2．2 算法框架4．3 多层聚簇4．4 利用多层聚簇推荐4．4．1 推荐框架4．4．2 Top-K推荐4．5 实验4．5．1 数据集4．5．2 对比方法4．5．3 评价标准4．5．4 参数设置4．5．5 minsup的影响4．5．6 效率和扩展性4．6 结论第5章 基于潜在主题的准确性Web社区协同推荐方法5．1 引言5．2 基于潜在主题的Web社区协同推荐方法5．2．1 方法框架5．2．2 ITS值计算．5．2．3 ETS值计算5．2．4 IETS值计算5．2．5 可扩展性5．3 实验及分析5．3．1 数据集描述5．3．2 实验方案5．3．3 实验结果5．4．结论第6章 基于用户-社区全域关系的新颖性Web社区推荐方法6．1 引言6．2 UCTR方法6．2．1 UCTR方法框架6．2．2 社区准确度计算6．2．3 社区新颖度计算6．2．4 社区UCTR值计算6．3 实验及分析6．3．1 数据集描述6．3．2 推荐准确性评价6．3．3 推荐新颖性评价6．3．4 推荐综合评价6．4 结论第7章 基于用户-社区全域关系闭包的高效均衡性Web社区推荐方法7．1 引言7．2 NovelRec方法7．2．1 方法框架7．2．2 离线建模计算7．2．3 在线推荐计算7．2．4 NovelRec复杂度分析7．2．5 用户冷启动分析7．3 实验及分析7．3．1 实验数据分析7．3．2 推荐准确性分析7．3．3 推荐新颖性分析7．3．4 NovelRec性能分析7．4 结论第8章 Web社区推荐原型系统8．1 引言8．2 Web社区建模8．2．1 对象代理模型概述8．2．2 利用对象代理模型建模Web社区8．3 Web社区管理原型系统8．3．1 对象代理数据库概述8．3．2 基于TOTEM的Web社区管理系统8．4 Web社区推荐原型系统8．4．1 推荐系统实现机制8．4．2 推荐系统功能效果8．5 结论第9章 大规模时空图中人类行为模式的实时挖掘方法9．1 引言9．2 预备知识9．2．1 定义9．2．2 问题陈述9．2．3 框架9．3 在单一时间间隔中的黑洞检测9．3．1 STG索引9．3．2 候选网格选择9．3．3 空间扩展9．3．4 流上限更新9．4 连续检测9．5 实验评估9．5．1 数据9．5．2 北京市案例研究9．5．3 纽约市案例研究9．5．4 在单一时段内的表现9．5．5 连续检测的表现9．6 结论第10章 基于潜在引用图数据的专利价值评估方法10．1 引言10．2 潜在引用关联10．3 专利价值评估基本算法10．4 专利价值评估改进算法10．5 专利价值评估更新算法10．6 实验评估10．6．1 实验设置10．6．2 评估方法10．6．3 结果与分析10．7 结论第11章 基于专利关联的新颖专利查找方法11．1 引言11．2 相对新颖图11．3 专利新颖度排序算法11．4 专利新颖度更新算法11．5 实验评估11．5．1 实验设置11．5．2 评估方法11．5．3 结果与分析11．6 结论第12章 异构专利网络中的竞争对手主题预测方法12．1 引言12．2 竞争对手的主题预测的框架12．3 主题词选取12．4 建立企业-主题异构图12．5 拓扑特征的分析和抽取12．6 基于监督模型的主题预测方法12．7 实验评估12．7．1 实验设置12．7．2 评估方法12．7．3 结果与分析12．8 结论参考文献