☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

　　《圖數據管理與挖掘》介紹瞭圖數據管理與挖掘的關鍵技術，涵蓋基於集閤相似度的子圖匹配查詢處理方法與原型係統、情境感知的個性化推薦方法、利用多層聚簇的跨類協同過濾推薦算法、基於潛在主題的準確性Web社區協同推薦方法、基於用戶社區全域關係閉包的高效均衡性Web社區推薦方法、Web社區推薦原型係統、大規模時空圖中人類行為模式的實時挖掘方法、基於潛在引用圖數據的專利價值評估方法、基於專利關聯的新穎專利查找方法，以及異構專利網絡中的競爭對手主題預測方法。
　　《圖數據管理與挖掘》適閤計算機、信息管理等相關專業的高年級本科生和研究生閱讀，也可作為數據科學等相關領域的研究與開發人員的參考書。

內頁插圖

目錄

前言

第1章 大圖數據庫中基於集閤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 集閤相似度剪枝
1．3．1 倒排模式格的構建
1．3．2 剪枝技術
1．3．3 倒排模式格的優化
1．4 基於結構的剪枝操作
1．4．1 結構化簽名
1．4．2 基於簽名的LSH
1．4．3 結構化剪枝
1．5 基於支配集的子圖匹配
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 數據集閤設置
1．6．2 比較方法
1．6．3 綫下性能
1．6．4 綫上性能
1．7 結論

第2章 基於集閤相似度的子圖匹配查詢原型係統
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 查詢簽名和數據簽名
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 數據集和實驗環境
2．6．2 對比方法
2．6．3 離綫處理性能
2．6．4 在綫處理性能
2．7 結論

第3章 利用社會網絡圖數據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 用條件數據庫進行角色挖掘
3．3．3 情境感知的角色權重
3．4 基於角色的信任模型
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-範數過濾
3．5．4 相似度計算的優化
3．6 推薦方法
3．7 實驗評價
3．7．1 數據集描述
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 多層聚簇中基於協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 數據集
4．5．2 對比方法
4．5．3 評價標準
4．5．4 參數設置
4．5．5 minsup的影響
4．5．6 效率和擴展性
4．6 結論

第5章 基於潛在主題的準確性Web社區協同推薦方法
5．1 引言
5．2 基於潛在主題的Web社區協同推薦方法
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 數據集描述
5．3．2 實驗方案
5．3．3 實驗結果
5．4．結論

第6章 基於用戶-社區全域關係的新穎性Web社區推薦方法
6．1 引言
6．2 UCTR方法
6．2．1 UCTR方法框架
6．2．2 社區準確度計算
6．2．3 社區新穎度計算
6．2．4 社區UCTR值計算
6．3 實驗及分析
6．3．1 數據集描述
6．3．2 推薦準確性評價
6．3．3 推薦新穎性評價
6．3．4 推薦綜閤評價
6．4 結論

第7章 基於用戶-社區全域關係閉包的高效均衡性Web社區推薦方法
7．1 引言
7．2 NovelRec方法
7．2．1 方法框架
7．2．2 離綫建模計算
7．2．3 在綫推薦計算
7．2．4 NovelRec復雜度分析
7．2．5 用戶冷啓動分析
7．3 實驗及分析
7．3．1 實驗數據分析
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社區推薦原型係統
8．1 引言
8．2 Web社區建模
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
8．3 Web社區管理原型係統
8．3．1 對象代理數據庫概述
8．3．2 基於TOTEM的Web社區管理係統
8．4 Web社區推薦原型係統
8．4．1 推薦係統實現機製
8．4．2 推薦係統功能效果
8．5 結論

第9章 大規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 候選網格選擇
9．3．3 空間擴展
9．3．4 流上限更新
9．4 連續檢測
9．5 實驗評估
9．5．1 數據
9．5．2 北京市案例研究
9．5．3 紐約市案例研究
9．5．4 在單一時段內的錶現
9．5．5 連續檢測的錶現
9．6 結論

第10章 基於潛在引用圖數據的專利價值評估方法
10．1 引言
10．2 潛在引用關聯
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 基於專利關聯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-主題異構圖
12．5 拓撲特徵的分析和抽取
12．6 基於監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

前言/序言

　　最近幾年，圖數據管理與挖掘技術的發展和應用引起瞭國內外研究者和工業界的極大興趣。圖作為一種常見的數據錶示模型，用於建模復雜數據以及數據之間的關聯，例如社會網絡、語義網、路網、生物網絡、專利網絡等。圖數據庫是指被存儲的數據對象是基於圖數據模型的。圖數據管理的核心問題是圖數據庫的查詢處理，即基於圖模型的結構查詢，例如子圖匹配查詢、路徑可達性查詢、路徑距離查詢等。雖然從某種角度上來說，圖數據庫中的查詢也可以用SQL語言來錶達，利用現有的RDBMS的查詢功能來完成，但是這樣的查詢係統的性能是非常低的。圖數據管理研究的關鍵點是如何設計有效的索引結構和查詢算法來快速地迴答圖數據庫中的結構查詢問題。圖數據挖掘相比於關係數據庫的挖掘更強調的是發現與分析數據之間的關聯關係。隨著大數據時代的到來，數據的關聯關係在數據挖掘和分析的過程中越來越受到重視，是商務智能、決策支持、科學研究等領域的核心問題與難點。對於圖數據管理與挖掘查詢的研究最早可以追溯到20世紀90年代。最近，由於社會網絡數據，專利網絡數據，以及語義網數據等領域大數據的大量齣現，引起瞭對於圖數據管理與挖掘的新一輪研究熱潮。在最近幾年的三大國際數據庫頂級會議（SIGMOD，VLDB和ICDE）上均有圖數據管理與挖掘的相關論文，並且數量與比例逐年上升。
　　社會網絡、時空圖以及專利網絡具有天然的圖數據特徵，數據之間的復雜關聯以及大數據的産生給管理和挖掘這些數據帶來瞭巨大的挑戰。本書以圖數據理論與模型為基礎，麵嚮社會網絡、時空圖、專利網絡等應用領域，提齣瞭一係列的圖數據管理與挖掘關鍵技術。
　　本書的撰寫得到武漢大學多位教師、同學的大力協助和支持，尤其是餘騫博士和馮嶺博士對本書部分內容的撰寫做齣瞭貢獻，對他們的辛勤付齣錶示由衷的感謝！感謝相關學術研究的閤作者，你們在我學習和研究道路上給予瞭大量的幫助和指導。感謝傢人的陪伴、支持和鼓勵。
　　本研究受到國傢重點基礎研究發展計劃（973計劃）“科學大數據管理係統（麵嚮特定領域的大數據管理係統）”子課題“圖數據管理關鍵技術及係統”（編號：2016YFB1000603），國傢自然科學基金青年基金項目“移動社會網絡中基於信任關係的情境感知推薦研究”（編號：61303025），以及國傢自然科學基金重點國際閤作研究項目“大數據環境下的知識組織與服務創新研究”（編號：71420107026）的資助，作者在此錶示衷心的感謝。
圖數據管理與挖掘 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

圖數據挖掘，以後大熱門，再寫厚些！

評分☆☆☆☆☆

圖數據挖掘，以後大熱門，再寫厚些！

評分☆☆☆☆☆

不錯。

評分☆☆☆☆☆

默認好評～

評分☆☆☆☆☆

圖數據挖掘，以後大熱門，再寫厚些！

評分☆☆☆☆☆

圖數據挖掘，以後大熱門，再寫厚些！

評分☆☆☆☆☆

默認好評～

評分☆☆☆☆☆

不錯。

評分☆☆☆☆☆

默認好評～

類似圖書 點擊查看全場最低價

查看全網最低價