1. Trang chủ
  2. » Luận Văn - Báo Cáo

Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng

79 11 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Khai Thác Mẫu Phổ Biến Cực Đại Trong Đồ Thị Đơn Bằng Phương Pháp So Sánh Gần Đúng
Tác giả Nguyễn Thanh Tài
Người hướng dẫn PGS. TS. Lê Hoài Bắc
Trường học Trường Đại Học Công Nghệ TP. HCM
Chuyên ngành Công Nghệ Thông Tin
Thể loại Luận Văn Thạc Sĩ
Năm xuất bản 2016
Thành phố TP. HỒ CHÍ MINH
Định dạng
Số trang 79
Dung lượng 1,48 MB

Nội dung

Ngày đăng: 11/07/2021, 16:52

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[2] S. Nijssen, J.N. Kok, A quickstart in frequent structure mining can make a difference, in: Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’04, ACM, 2004, pp. 647–652 Sách, tạp chí
Tiêu đề: A quickstart in frequent structure mining can make a difference
Tác giả: S. Nijssen, J.N. Kok
Nhà XB: ACM
Năm: 2004
[4] A. Gago-Alonso, J. Medina-Pagola, J. Carrasco-Ochoa, J. Martínez-Trinidad, Mining frequent connected subgraphs reducing the number of candidates, in: W.Daelemans, B. Goethals, K. Morik (Eds.), Machine Learning and Knowledge Discovery in Databases, Lecture Notes in Computer Science, vol. 5211, Springer, Berlin/Heidelberg, 2008, pp. 365–376 Sách, tạp chí
Tiêu đề: Machine Learning and Knowledge Discovery in Databases
Tác giả: A. Gago-Alonso, J. Medina-Pagola, J. Carrasco-Ochoa, J. Martínez-Trinidad
Nhà XB: Springer
Năm: 2008
[6] J. Huan, W. Wang, J. Prins, J. Yang, Spin: mining maximal frequent subgraphs from graph databases, in: Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, KDD ’04, ACM, 2004, pp. 581–586 Sách, tạp chí
Tiêu đề: Spin: mining maximal frequent subgraphs from graph databases
Tác giả: J. Huan, W. Wang, J. Prins, J. Yang
Nhà XB: ACM
Năm: 2004
[8] M. Al-Hasan, V. Chaoji, S. Salem, J. Besson, M.J. Zaki, Origami: mining representative orthogonal graph patterns, in: ICDM, IEEE Computer Society, 2007, pp Sách, tạp chí
Tiêu đề: Origami: mining representative orthogonal graph patterns
Tác giả: M. Al-Hasan, V. Chaoji, S. Salem, J. Besson, M.J. Zaki
Nhà XB: IEEE Computer Society
Năm: 2007
[10] F. Zhu, Q. Qu, D. Lo, X. Yan, J. Han, P.S. Yu, Mining top-k large structural patterns in a massive network, PVLDB 4 (2011) 807–818 Sách, tạp chí
Tiêu đề: Mining top-k large structural patterns in a massive network
Tác giả: F. Zhu, Q. Qu, D. Lo, X. Yan, J. Han, P.S. Yu
Nhà XB: PVLDB
Năm: 2011
[11] Y. Jia, J. Zhang, J. Huan, An efficient graph-mining method for complicated and noisy data with real-world applications, Knowl. Inf. Syst. 28 (2011) 423–447 Sách, tạp chí
Tiêu đề: An efficient graph-mining method for complicated and noisy data with real-world applications
Tác giả: Y. Jia, J. Zhang, J. Huan
Nhà XB: Knowl. Inf. Syst.
Năm: 2011
[12] C. Chen, X. Yan, F. Zhu, J. Han, gApprox: mining frequent approximate patterns from a massive network, in: ICDM, IEEE Computer Society, 2007, pp. 445–450 Sách, tạp chí
Tiêu đề: gApprox: mining frequent approximate patterns from a massive network
Tác giả: C. Chen, X. Yan, F. Zhu, J. Han
Nhà XB: IEEE Computer Society
Năm: 2007
[14] L.T. Thomas, S.R. Valluri, K. Karlapalem, Margin: maximal frequent subgraph mining, ACM Trans. Knowl. Discov. Data 4 (2010) 10:1–10:42 Sách, tạp chí
Tiêu đề: Margin: maximal frequent subgraph mining
Tác giả: L.T. Thomas, S.R. Valluri, K. Karlapalem
Nhà XB: ACM Trans. Knowl. Discov. Data
Năm: 2010
[15] X. Chen, C. Zhang, F. Liu, J. Guo, Algorithm research of top-down mining maximal frequent subgraph based on tree structure, in: P. Snac, M. Ott, A.Seneviratne (Eds.), Wireless Communications and Applications, Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 72, Springer, Berlin Heidelberg, 2012, pp. 401–411 Sách, tạp chí
Tiêu đề: Wireless Communications and Applications
Tác giả: X. Chen, C. Zhang, F. Liu, J. Guo
Nhà XB: Springer
Năm: 2012
[16] M. Kuramochi, G. Karypis, Finding frequent patterns in a large sparse graph, Data Min. Knowl. Discov. 11 (2005) 243–271 Sách, tạp chí
Tiêu đề: Finding frequent patterns in a large sparse graph
Tác giả: M. Kuramochi, G. Karypis
Nhà XB: Data Mining and Knowledge Discovery
Năm: 2005
[17] B. Bringmann, S. Nijssen, What is frequent in a single graph?, in: T. Washio, E.Suzuki, K. Ting, A. Inokuchi (Eds.), Advances in Knowledge Discovery and Data Sách, tạp chí
Tiêu đề: What is frequent in a single graph
Tác giả: B. Bringmann, S. Nijssen
Nhà XB: T. Washio
[18] M. Flores-Garrido, J.A. Carrasco-Ochoa, J.F. Martínez-Trinidad, Mining maximal frequent patterns in a single graph using inexact matching, Instituto Nacional de Astrofísica, Óptica y Electrónica, Tonantzintla, Puebla, Mexico Sách, tạp chí
Tiêu đề: Mining maximal frequent patterns in a single graph using inexact matching
Tác giả: M. Flores-Garrido, J.A. Carrasco-Ochoa, J.F. Martínez-Trinidad
Nhà XB: Instituto Nacional de Astrofísica, Óptica y Electrónica
[20] M. Kuramochi, G. Karypis, Finding frequent patterns in a large sparse graph, Data Min. Knowl. Discov. 11 (2005) 243–271 Sách, tạp chí
Tiêu đề: Finding frequent patterns in a large sparse graph
Tác giả: M. Kuramochi, G. Karypis
Nhà XB: Data Mining and Knowledge Discovery
Năm: 2005
[22] B. Bringmann, S. Nijssen, What is frequent in a single graph?, in: T. Washio, E. Suzuki, K. Ting, A. Inokuchi (Eds.), Advances in Knowledge Discovery and Data Mining, Lecture Notes in Computer Science, vol. 5012, Springer, Berlin/ Sách, tạp chí
Tiêu đề: What is frequent in a single graph
Tác giả: B. Bringmann, S. Nijssen
Nhà XB: Springer
[1] S. Ranu, A. Singh, Graphsig: a scalable approach to mining significant subgraphs in large graph databases, in: IEEE 25th International Conference on Data Engineering, 2009, pp. 844–855 Khác
[3] X. Yan, J. Han, gspan: graph-based substructure pattern mining, in: Proceedings of the 2002 IEEE International Conference on Data Mining, ICDM’02, 2002 Khác
[5] H. Cheng, X. Yan, J. Han, Mining graph patterns, in: C. Aggarwal, H. Wang (Eds.), Managing and Mining Graph Data, Advances in Database Systems, vol. 40, Springer, 2010, pp. 365–392 Khác
[7] J. Han, H. Cheng, D. Xin, X. Yan, Frequent pattern mining: current status and future directions, Data Min. Knowl. Discov. 15 (2007) 55–86 Khác
[9] W. Fan, K. Zhang, H. Cheng, J. Gao, X. Yan, J. Han, P. Yu, O. Verscheure, Direct mining of discriminative and essential frequent patterns via model-based search tree, in: Proceeding of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2008, pp. 230–238 Khác
[13] A. Sanfeliu, K.S. Fu, A distance measure between attributed relational graphs for pattern recognition, IEEE Trans. Syst. Man Cybern. 13 (1983) 353–363 Khác

HÌNH ẢNH LIÊN QUAN

Hình.01:Sự biểu diễn của đồ thị sử dụng phương pháp so sánh gần đúng - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
nh.01 Sự biểu diễn của đồ thị sử dụng phương pháp so sánh gần đúng (Trang 16)
Hình 2: Tổng quan về hệ thống khai thác mẫu phổ biến cực đại - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Hình 2 Tổng quan về hệ thống khai thác mẫu phổ biến cực đại (Trang 21)
Bảng 1: Mở rộng đỉnh 1/C tìm mẫu phổ biến - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 1 Mở rộng đỉnh 1/C tìm mẫu phổ biến (Trang 35)
Bảng 2: Mở rộng đỉnh 4/C tìm mẫu phổ biến - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 2 Mở rộng đỉnh 4/C tìm mẫu phổ biến (Trang 38)
Bảng 3: Mở rộng đỉnh 6/C tìm mẫu phổ biến - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 3 Mở rộng đỉnh 6/C tìm mẫu phổ biến (Trang 42)
Bảng 4: Tóm tắt quá trình mở rộng tìm mẫu phổ biến - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 4 Tóm tắt quá trình mở rộng tìm mẫu phổ biến (Trang 43)
Bảng 6: Cơ sở dữ liệu đồ thị SIS đã phân nhóm ngẫu nhiên - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 6 Cơ sở dữ liệu đồ thị SIS đã phân nhóm ngẫu nhiên (Trang 56)
Bảng 7: Mẫu phổ biến của tập huấn luyện nhóm 2, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 7 Mẫu phổ biến của tập huấn luyện nhóm 2, 3,4 (Trang 57)
Bảng 8: Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 2, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 8 Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 2, 3,4 (Trang 58)
Bảng 9: Mẫu phổ biến cực đại tối ưu của nhóm 2, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 9 Mẫu phổ biến cực đại tối ưu của nhóm 2, 3,4 (Trang 59)
Bảng 10: Độ tương đồng các đồ thị nhóm 1 và các mẫu của nhóm 2, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 10 Độ tương đồng các đồ thị nhóm 1 và các mẫu của nhóm 2, 3,4 (Trang 60)
Bảng 12: Mẫu phổ biến của tập huấn luyện nhóm 1, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 12 Mẫu phổ biến của tập huấn luyện nhóm 1, 3,4 (Trang 62)
Bảng 13: Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 1, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 13 Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 1, 3,4 (Trang 63)
Bảng 14: Mẫu phổ biến cực đại tối ưu của nhóm 1, 3,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 14 Mẫu phổ biến cực đại tối ưu của nhóm 1, 3,4 (Trang 64)
Bảng 16: Kết quả phân lớp các đồ thị nhóm 2 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 16 Kết quả phân lớp các đồ thị nhóm 2 (Trang 65)
Bảng 17: Mẫu phổ biến của tập huấn luyện nhóm 1, 2 ,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 17 Mẫu phổ biến của tập huấn luyện nhóm 1, 2 ,4 (Trang 66)
Bảng 19: Mẫu phổ biến cực đại tối ưu của nhóm 1, 2 ,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 19 Mẫu phổ biến cực đại tối ưu của nhóm 1, 2 ,4 (Trang 68)
Bảng 20: Độ tương đồng các đồ thị nhóm 2 và các mẫu của nhóm 1, 2 ,4 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 20 Độ tương đồng các đồ thị nhóm 2 và các mẫu của nhóm 1, 2 ,4 (Trang 69)
Bảng 22: Mẫu phổ biến của tập huấn luyện nhóm 1, 2,3 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 22 Mẫu phổ biến của tập huấn luyện nhóm 1, 2,3 (Trang 71)
Bảng 23: Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 1, 2,3 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 23 Loại trừ các mẫu xuất hiện nhiều hơn một lần trong nhóm 1, 2,3 (Trang 72)
Bảng 24: Mẫu phổ biến cực đại tối ưu của nhóm 1, 2,3 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 24 Mẫu phổ biến cực đại tối ưu của nhóm 1, 2,3 (Trang 73)
Bảng 25: Độ tương đồng các đồ thị nhóm 2 và các mẫu của nhóm 1, 2,3 - Khai thác mẫu phổ biến cực đại trong đồ thị đơn bằng phương pháp so sánh gần đúng
Bảng 25 Độ tương đồng các đồ thị nhóm 2 và các mẫu của nhóm 1, 2,3 (Trang 74)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w