圖數(shù)據(jù)管理與挖掘

前言
第1章 大圖數(shù)據(jù)庫中基于集合相似度的子圖匹配查詢處理方法
1．1 引言
1．2 預備知識
1．2．1 問題定義
1．2．2 架構
1．3 集合相似度剪枝
1．3．1 倒排模式格的構建
1．3．2 剪枝技術
1．3．3 倒排模式格的優(yōu)化
1．4 基于結構的剪枝操作
1．4．1 結構化簽名
1．4．2 基于簽名的LSH
1．4．3 結構化剪枝
1．5 基于支配集的子圖匹配
1．5．1 DS．匹配算法
1．5．2 支配集的選擇
1．6 實驗分析
1．6．1 數(shù)據(jù)集合設置
1．6．2 比較方法
1．6．3 線下性能
1．6．4 線上性能
1．7 結論
第2章 基于集合相似度的子圖匹配查詢原型系統(tǒng)
2．1 引言
2．2 預備知識
2．2．1 問題定義
2．2．2 方法概覽
2．3 簽名及DS-Tree
2．3．1 查詢簽名和數(shù)據(jù)簽名
2．3．2 DS-Tree
2．3．3 利用DS-Tree查詢
2．4 支配子圖
2．5 SMOC算法
2．6 實驗
2．6．1 數(shù)據(jù)集和實驗環(huán)境
2．6．2 對比方法
2．6．3 離線處理性能
2．6．4 在線處理性能
2．7 結論
第3章 利用社會網(wǎng)絡圖數(shù)據(jù)的情境感知個性化推薦方法
3．1 引言
3．2 預備知識
3．2．1 問題定義
3．2．2 方法框架
3．3 角色挖掘
3．3．1 角色的定義
3．3．2 用條件數(shù)據(jù)庫進行角色挖掘
3．3．3 情境感知的角色權重
3．4 基于角色的信任模型
3．5 尋找相似用戶
3．5．1 WSSQ算法概述
3．5．2 前綴過濾
3．5．3 L1-范數(shù)過濾
3．5．4 相似度計算的優(yōu)化
3．6 推薦方法
3．7 實驗評價
3．7．1 數(shù)據(jù)集描述
3．7．2 對比方法
3．7．3 對角色挖掘和信任模型的評價
3．7．4 推薦質量
3．7．5 推薦時間
3．8 結論
第4章 多層聚簇中基于協(xié)同過濾的跨類推薦算法
4．1 引言
4．2 預備知識
4．2．1 問題定義
4．2．2 算法框架
4．3 多層聚簇
4．4 利用多層聚簇推薦
4．4．1 推薦框架
4．4．2 Top-K推薦
4．5 實驗
4．5．1 數(shù)據(jù)集
4．5．2 對比方法
4．5．3 評價標準
4．5．4 參數(shù)設置
4．5．5 minsup的影響
4．5．6 效率和擴展性
4．6 結論
第5章 基于潛在主題的準確性Web社區(qū)協(xié)同推薦方法
5．1 引言
5．2 基于潛在主題的Web社區(qū)協(xié)同推薦方法
5．2．1 方法框架
5．2．2 ITS值計算．
5．2．3 ETS值計算
5．2．4 IETS值計算
5．2．5 可擴展性
5．3 實驗及分析
5．3．1 數(shù)據(jù)集描述
5．3．2 實驗方案
5．3．3 實驗結果
5．4．結論
第6章 基于用戶-社區(qū)全域關系的新穎性Web社區(qū)推薦方法
6．1 引言
6．2 UCTR方法
6．2．1 UCTR方法框架
6．2．2 社區(qū)準確度計算
6．2．3 社區(qū)新穎度計算
6．2．4 社區(qū)UCTR值計算
6．3 實驗及分析
6．3．1 數(shù)據(jù)集描述
6．3．2 推薦準確性評價
6．3．3 推薦新穎性評價
6．3．4 推薦綜合評價
6．4 結論
第7章 基于用戶-社區(qū)全域關系閉包的高效均衡性Web社區(qū)推薦方法
7．1 引言
7．2 NovelRec方法
7．2．1 方法框架
7．2．2 離線建模計算
7．2．3 在線推薦計算
7．2．4 NovelRec復雜度分析
7．2．5 用戶冷啟動分析
7．3 實驗及分析
7．3．1 實驗數(shù)據(jù)分析
7．3．2 推薦準確性分析
7．3．3 推薦新穎性分析
7．3．4 NovelRec性能分析
7．4 結論
第8章 Web社區(qū)推薦原型系統(tǒng)
8．1 引言
8．2 Web社區(qū)建模
8．2．1 對象代理模型概述
8．2．2 利用對象代理模型建模Web社區(qū)
8．3 Web社區(qū)管理原型系統(tǒng)
8．3．1 對象代理數(shù)據(jù)庫概述
8．3．2 基于TOTEM的Web社區(qū)管理系統(tǒng)
8．4 Web社區(qū)推薦原型系統(tǒng)
8．4．1 推薦系統(tǒng)實現(xiàn)機制
8．4．2 推薦系統(tǒng)功能效果
8．5 結論
第9章 大規(guī)模時空圖中人類行為模式的實時挖掘方法
9．1 引言
9．2 預備知識
9．2．1 定義
9．2．2 問題陳述
9．2．3 框架
9．3 在單一時間間隔中的黑洞檢測
9．3．1 STG索引
9．3．2 候選網(wǎng)格選擇
9．3．3 空間擴展
9．3．4 流上限更新
9．4 連續(xù)檢測
9．5 實驗評估
9．5．1 數(shù)據(jù)
9．5．2 北京市案例研究
9．5．3 紐約市案例研究
9．5．4 在單一時段內(nèi)的表現(xiàn)
9．5．5 連續(xù)檢測的表現(xiàn)
9．6 結論
第10章 基于潛在引用圖數(shù)據(jù)的專利價值評估方法
10．1 引言
10．2 潛在引用關聯(lián)
10．3 專利價值評估基本算法
10．4 專利價值評估改進算法
10．5 專利價值評估更新算法
10．6 實驗評估
10．6．1 實驗設置
10．6．2 評估方法
10．6．3 結果與分析
10．7 結論
第11章 基于專利關聯(lián)的新穎專利查找方法
11．1 引言
11．2 相對新穎圖
11．3 專利新穎度排序算法
11．4 專利新穎度更新算法
11．5 實驗評估
11．5．1 實驗設置
11．5．2 評估方法
11．5．3 結果與分析
11．6 結論
第12章 異構專利網(wǎng)絡中的競爭對手主題預測方法
12．1 引言
12．2 競爭對手的主題預測的框架
12．3 主題詞選取
12．4 建立企業(yè)-主題異構圖
12．5 拓撲特征的分析和抽取
12．6 基于監(jiān)督模型的主題預測方法
12．7 實驗評估
12．7．1 實驗設置
12．7．2 評估方法
12．7．3 結果與分析
12．8 結論
參考文獻