目錄
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
1.1 引言1
1.2 預(yù)備知識4
1.2.1 問題定義4
1.2.2 架構(gòu)5
1.3 集合相似度剪枝6
1.3.1 倒排模式格的構(gòu)建7
1.3.2 剪枝技術(shù)8
1.3.3 倒排模式格的優(yōu)化10
1.4 基于結(jié)構(gòu)的剪枝操作11
1.4.1 結(jié)構(gòu)化簽名11
1.4.2 基于簽名的LSH12
1.4.3 結(jié)構(gòu)化剪枝12
1.5 基于支配集的子圖匹配14
1.5.1 DS-匹配算法14
1.5.2 支配集的選擇17
1.6 實(shí)驗(yàn)分析18
1.6.1 數(shù)據(jù)集合設(shè)置18
1.6.2 比較方法19
1.6.3 線下性能19
1.6.4 線上性能20
1.7 結(jié)論26
第2章 基于集合相似度的子圖匹配查詢原型系統(tǒng)27
2.1 引言27
2.2 預(yù)備知識29
2.2.1 問題定義29
2.2.2 方法概覽30
2.3 簽名及DS-Tree31
2.3.1 查詢簽名和數(shù)據(jù)簽名31
2.3.2 DS-Tree32
2.3.3 利用DS-Tree查詢36
2.4 支配子圖38
2.5 SMOC 算法41
2.6 實(shí)驗(yàn)42
2.6.1 數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境42
2.6.2 對比方法43
2.6.3 離線處理性能43
2.6.4 在線處理性能45
2.7 結(jié)論46
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47
3.1 引言47
3.2 預(yù)備知識49
3.2.1 問題定義50
3.2.2 方法框架50
3.3 角色挖掘52
3.3.1 角色的定義52
3.3.2 用條件數(shù)據(jù)庫進(jìn)行角色挖掘52
3.3.3 情境感知的角色權(quán)重54
3.4 基于角色的信任模型55
3.5 尋找相似用戶56
3.5.1 WSSQ算法概述57
3.5.2 前綴過濾58
3.5.3 L1-范數(shù)過濾59
3.5.4 相似度計(jì)算的優(yōu)化60
3.6 推薦方法62
3.7 實(shí)驗(yàn)評價(jià)63
3.7.1 數(shù)據(jù)集描述63
3.7.2 對比方法63
3.7.3 對角色挖掘和信任模型的評價(jià)64
3.7.4 推薦質(zhì)量65
3.7.5 推薦時(shí)間69
3.8 結(jié)論72
第4章 多層聚簇中基于協(xié)同過濾的跨類推薦算法73
4.1 引言73
4.2 預(yù)備知識74
4.2.1 問題定義74
4.2.2 算法框架75
4.3 多層聚簇75
4.4 利用多層聚簇推薦78
4.4.1 推薦框架78
4.4.2 Top-k推薦79
4.5 實(shí)驗(yàn)80
4.5.1 數(shù)據(jù)集80
4.5.2 對比方法81
4.5.3 評價(jià)標(biāo)準(zhǔn)81
4.5.4 參數(shù)設(shè)置81
4.5.5 minsup的影響81
4.5.6 效率和擴(kuò)展性82
4.6 結(jié)論84
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85
5.1 引言85
5.2 基于潛在主題的Web社區(qū)協(xié)同推薦方法86
5.2.1 方法框架87
5.2.2 ITS值計(jì)算88
5.2.3 ETS值計(jì)算91
5.2.4 IETS值計(jì)算93
5.2.5 可擴(kuò)展性95
5.3 實(shí)驗(yàn)及分析95
5.3.1 數(shù)據(jù)集描述96
5.3.2 實(shí)驗(yàn)方案96
5.3.3 實(shí)驗(yàn)結(jié)果96
5.4 結(jié)論99
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100
6.1 引言100
6.2 UCTR 方法102
6.2.1 UCTR 方法框架103
6.2.2 社區(qū)準(zhǔn)確度計(jì)算104
6.2.3 社區(qū)新穎度計(jì)算105
6.2.4 社區(qū)UCTR值計(jì)算108
6.3 實(shí)驗(yàn)及分析108
6.3.1 數(shù)據(jù)集描述109
6.3.2 推薦準(zhǔn)確性評價(jià)109
6.3.3 推薦新穎性評價(jià)111
6.3.4 推薦綜合評價(jià)112
6.4 結(jié)論113
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114
7.1 引言114
7.2 NovelRec方法116
7.2.1 方法框架117
7.2.2 離線建模計(jì)算118
7.2.3 在線推薦計(jì)算121
7.2.4 NovelRec復(fù)雜度分析126
7.2.5 用戶冷啟動(dòng)分析127
7.3 實(shí)驗(yàn)及分析128
7.3.1 實(shí)驗(yàn)數(shù)據(jù)分析128
7.3.2 推薦準(zhǔn)確性分析130
7.3.3 推薦新穎性分析132
7.3.4 NovelRec性能分析135
7.4 結(jié)論138
第8章 Web社區(qū)推薦原型系統(tǒng)139
8.1 引言139
8.2 Web 社區(qū)建模139
8.2.1 對象代理模型概述139
8.2.2 利用對象代理模型建模Web社區(qū)140
8.3 Web 社區(qū)管理原型系統(tǒng)143
8.3.1 對象代理數(shù)據(jù)庫概述143
8.3.2 基于TOTEM 的Web社區(qū)管理系統(tǒng)145
8.4 Web 社區(qū)推薦原型系統(tǒng)147
8.4.1 推薦系統(tǒng)實(shí)現(xiàn)機(jī)制147
8.4.2 推薦系統(tǒng)功能效果148
8.5 結(jié)論150
第9章 大規(guī)模時(shí)空圖中人類行為模式的實(shí)時(shí)挖掘方法151
9.1 引言151
9.2 預(yù)備知識153
9.2.1 定義153
9.2.2 問題陳述154
9.2.3 框架154
9.3 在單一時(shí)間間隔中的黑洞檢測155
9.3.1 STG索引155
9.3.2 候選網(wǎng)格選擇156
9.3.3 空間擴(kuò)展158
9.3.4 流上限更新159
9.4 連續(xù)檢測159
9.5 實(shí)驗(yàn)評估161
9.5.1 數(shù)據(jù)161
9.5.2 北京市案例研究162
9.5.3 紐約市案例研究165
9.5.4 在單一時(shí)段內(nèi)的表現(xiàn)167
9.5.5 連續(xù)檢測的表現(xiàn)169
9.6 結(jié)論171
第10章 基于潛在引用圖數(shù)據(jù)的專利價(jià)值評估方法172
10.1 引言172
10.2 潛在引用關(guān)聯(lián)174
10.3 專利價(jià)值評估基本算法175
10.4 專利價(jià)值評估改進(jìn)算法179
10.5 專利價(jià)值評估更新算法181
10.6 實(shí)驗(yàn)評估184
10.6.1 實(shí)驗(yàn)設(shè)置184
10.6.2 評估方法185
10.6.3 結(jié)果與分析185
10.7 結(jié)論188
第11章 基于專利關(guān)聯(lián)的新穎專利查找方法189
11.1 引言189
11.2 相對新穎圖191
11.3 專利新穎度排序算法193
11.4 專利新穎度更新算法195
11.5 實(shí)驗(yàn)評估200
11.5.1 實(shí)驗(yàn)設(shè)置200
11.5.2 評估方法201
11.5.3 結(jié)果與分析201
11.6 結(jié)論204
第12章 異構(gòu)專利網(wǎng)絡(luò)中的競爭對手主題預(yù)測方法205
12.1 引言205
12.2 競爭對手的主題預(yù)測的框架207
12.3 主題詞選取208
12.4 建立企業(yè)-主題異構(gòu)圖208
12.5 拓?fù)涮卣鞯姆治龊统槿?10
12.6 基于監(jiān)督模型的主題預(yù)測方法213
12.7 實(shí)驗(yàn)評估215
12.7.1 實(shí)驗(yàn)設(shè)置215
12.7.2 評估方法216
12.7.3 結(jié)果與分析217
12.8 結(jié)論220
參考文獻(xiàn)221