基于結構和屬性的圖挖掘技術應用研究.pdf

1、圖聚類作為從海量數(shù)據(jù)中發(fā)現(xiàn)有用知識的技術引起了人們的廣泛關注。目前的聚類方法多是在基于圖拓撲結構或基于圖節(jié)點屬性方面進行研究，而在某些實際應用中需要同時考慮圖節(jié)點的拓撲結構和屬性關系。因此，現(xiàn)有的圖聚類方法在處理此類應用時存在對象建模不準確、聚類結果不理想、算法執(zhí)行效率低等問題，為了解決現(xiàn)有圖聚類算法在實際應用中存在的問題，本文在以下幾個方面進行研究：
　　 首先，針對現(xiàn)有圖聚類方法在數(shù)據(jù)集合建模方面存在的問題，提出了一種屬性加

2、權圖的圖模型。在模型中，頂點表示數(shù)據(jù)對象，邊表示數(shù)據(jù)對象間的關系，頂點屬性表示數(shù)據(jù)對象的特征。根據(jù)數(shù)據(jù)對象問的緊密程度和各特征值對數(shù)據(jù)對象的不同重要程度，分別對結構邊和頂點的相應屬性設定的不同的權值。通過建模，可使屬性加權圖更真實地表現(xiàn)現(xiàn)實應用中數(shù)據(jù)對象的實際分布情況。
　　 其次，針對現(xiàn)有結構與屬性圖聚類方法中存在的問題，本文提出了一種基于結構-屬性的高效SACA(Structural and Attributed Clust

3、ering Approach)圖聚類方法。1)提出了屬性加權圖模型。該模型通過對圖中的邊和屬性設定不同的權值，更好地反映實際應用中實體對象的復雜關系。2)提出一種結構-屬性的統(tǒng)一度量方法，用以測量圖相似度，圖聚類算法可以通過該度量方法對結構與屬性的相似度進行計算。3)采用隨機游走模型對圖結構和屬性的相似度進行處理，將節(jié)點間結構與屬性關系轉換為相應的相似度矩陣，利用相似度矩陣進行進一步的處理，提高了算法效率。4)結合圖結構與屬性關系及相似