圖數(shù)據(jù)管理與挖掘

前言
第1章 大圖數(shù)據(jù)庫(kù)中基于集合相似度的子圖匹配查詢(xún)處理方法
1．1 引言
1．2 預(yù)備知識(shí)
1．2．1 問(wèn)題定義
1．2．2 架構(gòu)
1．3 集合相似度剪枝
1．3．1 倒排模式格的構(gòu)建
1．3．2 剪枝技術(shù)
1．3．3 倒排模式格的優(yōu)化
1．4 基于結(jié)構(gòu)的剪枝操作
1．4．1 結(jié)構(gòu)化簽名
1．4．2 基于簽名的LSH
1．4．3 結(jié)構(gòu)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(shí)驗(yàn)分析
1．6．1 數(shù)據(jù)集合設(shè)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(jié)論
第2章 基于集合相似度的子圖匹配查詢(xún)?cè)拖到y(tǒng)
2．1 引言
2．2 預(yù)備知識(shí)
2．2．1 問(wèn)題定義
2．2．2 方法概覽
2．3 簽名及DS-Tree
2．3．1 查詢(xún)簽名和數(shù)據(jù)簽名
2．3．2 DS-Tree
2．3．3 利用DS-Tree查詢(xún)
2．4 支配子圖
2．5 SMOC算法
2．6 實(shí)驗(yàn)
2．6．1 數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境
2．6．2 對(duì)比方法
2．6．3 離線處理性能
2．6．4 在線處理性能
2．7 結(jié)論
第3章 利用社會(huì)網(wǎng)絡(luò)圖數(shù)據(jù)的情境感知個(gè)性化推薦方法
3．1 引言
3．2 預(yù)備知識(shí)
3．2．1 問(wèn)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(kù)進(jìn)行角色挖掘
3．3．3 情境感知的角色權(quán)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(guò)濾
3．5．3 L1-范數(shù)過(guò)濾
3．5．4 相似度計(jì)算的優(yōu)化
3．6 推薦方法
3．7 實(shí)驗(yàn)評(píng)價(jià)
3．7．1 數(shù)據(jù)集描述
3．7．2 對(duì)比方法
3．7．3 對(duì)角色挖掘和信任模型的評(píng)價(jià)
3．7．4 推薦質(zhì)量
3．7．5 推薦時(shí)間
3．8 結(jié)論
第4章 多層聚簇中基于協(xié)同過(guò)濾的跨類(lèi)推薦算法
4．1 引言
4．2 預(yù)備知識(shí)
4．2．1 問(wèn)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(shí)驗(yàn)
4．5．1 數(shù)據(jù)集
4．5．2 對(duì)比方法
4．5．3 評(píng)價(jià)標(biāo)準(zhǔn)
4．5．4 參數(shù)設(shè)置
4．5．5 minsup的影響
4．5．6 效率和擴(kuò)展性
4．6 結(jié)論
第5章 基于潛在主題的準(zhǔn)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(jì)算．
5．2．3 ETS值計(jì)算
5．2．4 IETS值計(jì)算
5．2．5 可擴(kuò)展性
5．3 實(shí)驗(yàn)及分析
5．3．1 數(shù)據(jù)集描述
5．3．2 實(shí)驗(yàn)方案
5．3．3 實(shí)驗(yàn)結(jié)果
5．4．結(jié)論
第6章 基于用戶-社區(qū)全域關(guān)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(zhǔn)確度計(jì)算
6．2．3 社區(qū)新穎度計(jì)算
6．2．4 社區(qū)UCTR值計(jì)算
6．3 實(shí)驗(yàn)及分析
6．3．1 數(shù)據(jù)集描述
6．3．2 推薦準(zhǔn)確性評(píng)價(jià)
6．3．3 推薦新穎性評(píng)價(jià)
6．3．4 推薦綜合評(píng)價(jià)
6．4 結(jié)論
第7章 基于用戶-社區(qū)全域關(guān)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(jì)算
7．2．3 在線推薦計(jì)算
7．2．4 NovelRec復(fù)雜度分析
7．2．5 用戶冷啟動(dòng)分析
7．3 實(shí)驗(yàn)及分析
7．3．1 實(shí)驗(yàn)數(shù)據(jù)分析
7．3．2 推薦準(zhǔn)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(jié)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(duì)象代理模型概述
8．2．2 利用對(duì)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(duì)象代理數(shù)據(jù)庫(kù)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(shí)現(xiàn)機(jī)制
8．4．2 推薦系統(tǒng)功能效果
8．5 結(jié)論
第9章 大規(guī)模時(shí)空?qǐng)D中人類(lèi)行為模式的實(shí)時(shí)挖掘方法
9．1 引言
9．2 預(yù)備知識(shí)
9．2．1 定義
9．2．2 問(wèn)題陳述
9．2．3 框架
9．3 在單一時(shí)間間隔中的黑洞檢測(cè)
9．3．1 STG索引
9．3．2 候選網(wǎng)格選擇
9．3．3 空間擴(kuò)展
9．3．4 流上限更新
9．4 連續(xù)檢測(cè)
9．5 實(shí)驗(yàn)評(píng)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(shí)段內(nèi)的表現(xiàn)
9．5．5 連續(xù)檢測(cè)的表現(xiàn)
9．6 結(jié)論
第10章 基于潛在引用圖數(shù)據(jù)的專(zhuān)利價(jià)值評(píng)估方法
10．1 引言
10．2 潛在引用關(guān)聯(lián)
10．3 專(zhuān)利價(jià)值評(píng)估基本算法
10．4 專(zhuān)利價(jià)值評(píng)估改進(jìn)算法
10．5 專(zhuān)利價(jià)值評(píng)估更新算法
10．6 實(shí)驗(yàn)評(píng)估
10．6．1 實(shí)驗(yàn)設(shè)置
10．6．2 評(píng)估方法
10．6．3 結(jié)果與分析
10．7 結(jié)論
第11章 基于專(zhuān)利關(guān)聯(lián)的新穎專(zhuān)利查找方法
11．1 引言
11．2 相對(duì)新穎圖
11．3 專(zhuān)利新穎度排序算法
11．4 專(zhuān)利新穎度更新算法
11．5 實(shí)驗(yàn)評(píng)估
11．5．1 實(shí)驗(yàn)設(shè)置
11．5．2 評(píng)估方法
11．5．3 結(jié)果與分析
11．6 結(jié)論
第12章 異構(gòu)專(zhuān)利網(wǎng)絡(luò)中的競(jìng)爭(zhēng)對(duì)手主題預(yù)測(cè)方法
12．1 引言
12．2 競(jìng)爭(zhēng)對(duì)手的主題預(yù)測(cè)的框架
12．3 主題詞選取
12．4 建立企業(yè)-主題異構(gòu)圖
12．5 拓?fù)涮卣鞯姆治龊统槿?br />12．6 基于監(jiān)督模型的主題預(yù)測(cè)方法
12．7 實(shí)驗(yàn)評(píng)估
12．7．1 實(shí)驗(yàn)設(shè)置
12．7．2 評(píng)估方法
12．7．3 結(jié)果與分析
12．8 結(jié)論
參考文獻(xiàn)