CN108804599B - 一种相似交易模式的快速查找方法 - Google Patents

一种相似交易模式的快速查找方法 Download PDF

Info

Publication number
CN108804599B
CN108804599B CN201810529847.7A CN201810529847A CN108804599B CN 108804599 B CN108804599 B CN 108804599B CN 201810529847 A CN201810529847 A CN 201810529847A CN 108804599 B CN108804599 B CN 108804599B
Authority
CN
China
Prior art keywords
similar
transaction
entity
entities
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810529847.7A
Other languages
English (en)
Other versions
CN108804599A (zh
Inventor
陈为
韩东明
郭方舟
潘嘉铖
聂小涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810529847.7A priority Critical patent/CN108804599B/zh
Publication of CN108804599A publication Critical patent/CN108804599A/zh
Application granted granted Critical
Publication of CN108804599B publication Critical patent/CN108804599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种相似子图的快速查找方法，包括以下步骤：步骤1：对网络数据进行向量化表达；步骤2：计算向量化数据中两两实体间的向量距离，得到实体与实体之间向量距离的矩阵；步骤3：根据实体间向量距离的矩阵，计算出每个实体距离最近的一系列实体，构成每个实体的相似有序集合；步骤4：根据相似有序集合，搜索与用户给定的查询子图中的每个实体相近的相似有序集合；步骤5：对得到的相似实体集合中所有实体构造网络，得到相似实体关系图，对相似实体关系图进行搜索，得到给定的查询子图的相似子图集合；步骤6：对相似子图集合和用户给定的查询子图两两做相似度匹配并进行排序；本发明还公开了一种相似交易模式的快速查找方法。

Description

一种相似交易模式的快速查找方法
技术领域
本发明涉及相似子图快速搜索技术领域，特别涉及一种相似子图的快速查找方法。
背景技术
目前网络数据被广泛用于描述实体之间的关系，例如社会学中人与人之间的社会关系，生物学中蛋白质之间的相互作用以及金融公司之间的交易关系。网络数据的规模很大程度上会影响用户对网络进行分析的效率和准确性。如何在大规模网络数据中搜索给定的子图的相似子图，例如挖掘相似交易模式，社会关系等，成为了互联网，生物，商业等领域的热门课题。
对于网络数据，每个实体可以是，人，地点，物品等，实体之间的关系可以是人脉关系，邮件通信关系，交易关系等。在网络数据中子图可以是交易网络中特定几个人的交易情况，道路网络中特定几个地点的路网信息。
现有技术在庞大的网络数据中去寻找相似的子图的方法，都多少存在耗时过久的问题，许多存在的方法都是依据于每个实体和关系的类别进行搜索，因为本身自带了分类，大大减少了搜索的空间。但是再没有类别的网络数据中，对于庞大的数据量，都不能有效的进行相似子图的搜索，例如VF3，L2G，LAD，RI等方法，RI算法是在深度回溯搜索的中加入一些简单的规则进行剪枝优化，简单规则意味着评估是否符合规则的时间较短；VF3算法是也是定义了一些规则在深度回溯搜索中优化，而且已经证明速度比其它RI，L2G等算法速度更快，但这些算法都难以在交互级别的时间需求中对整个网络结构完成相似子图的搜索。
发明内容
本发明提供了一种相似子图的快速查找方法，可以快速在网络数据中查找出给定的子图的相似子图。
一种相似子图的快速查找方法，包括以下步骤：
步骤1：对网络数据进行向量化表达，用向量来代表网络数据中的每个实体得到向量化数据；
步骤2：计算步骤1得到的向量化数据中两两实体间的向量距离，得到实体与实体之间向量距离的矩阵；
步骤3：根据步骤2得到的实体间向量距离的矩阵，计算出每个实体距离最近的一系列实体，构成每个实体的相似有序集合；
步骤4：根据步骤3中的相似有序集合，搜索与用户给定的查询子图中的每个实体相近的相似有序集合；
步骤5：对步骤4中得到的相似实体集合中所有实体构造网络，得到相似实体关系图，对相似实体关系图进行搜索，得到给定的查询子图的相似子图集合；
步骤6：对步骤5中的相似子图集合和步骤4中用户给定的查询子图两两做相似度匹配，进行排序得到有序的相似子图集合。
本发明的相似子图的快速查找方法，把搜索时间降低到几秒以内，甚至在可交互级别范围内进行搜索，本发明把时间损耗转移到预处理阶段，对所需要搜索的网络数据提前进行预处理，进而在预处理后的结果中进行相似子图搜索，大大提高了搜索效率。克服现有技术中的精确匹配子图方法存在的问题，例如所需的时间复杂度高，用其进行相似度匹配时，大量的耗时进行一一匹配和搜索。
本发明通过对网络数据进行向量化表达，并计算网络中每个实体的向量距离，从而可以得到每个实体的有序相似实体集合。对用户给定的查询子图中每个实体的相似实体集合所组成的网络进行联通子图搜索，从而得到查询子图的相似子图集合。
为了进一步提高搜索效率，优选的，步骤5中，对得到相似子图集合根据相似度进行过滤。滤掉那些实体数量和给定的查询子图实体数量相差过多的子图。
优选的，步骤(5)中，对相似实体关系图进行联通子图搜索。可以采用广度优先遍历，深度优先遍历，并查集等方法进行联通子图搜索。
向量化表达的方法可以用GraphWave，Node2vec，Struct2Vec等用于图数据的向量化表达方法，优选的，步骤(1)中，采用GraphWave方法对网络数据进行向量化表达，Struct2Vec算法所耗时间比GraphWave多数十倍，Node2Vec的向量化表达采用全局随机游走的方式进行深度和广度的搜索，导致在定义相似性时会有随机性，更不精准。
本发明还提供了一种相似交易模式的快速查找方法，包括以下步骤：
步骤1：对Bitcoin交易网络数据进行向量化表达，用向量来代表网络数据中的每个实体得到向量化数据；
具体的，Bitcoin交易网络数据用图数据进行表示，图G由顶点n和边e组成，每条边e的两端都必须是图两个顶点n，G(N,E)表示图G的顶点集为N＝{n1,n2,…np}，其中p为顶点的数量，边集为E＝{e1,e2,…eq}，其中q为边的数量。点为Bitcoin交易网络数据中的交易账户，边为Bitcoin交易网络数据中账户之间的交易关系，采用GraphWave方法对网络数据进行向量化表达，Bitcoin交易网络中交易账户的向量集合为
Figure GDA0003254395280000031
其中每个交互账户n的向量为
Figure GDA0003254395280000032
其中l为向量的维度；
步骤2：计算步骤1得到的向量化数据中两两实体间的向量距离，得到实体与实体之间向量距离的矩阵；
具体的，根据步骤1中得到交易账户向量集合
Figure GDA0003254395280000033
通过其中每个交易账户n的向量化结果Vn，对交互账户的向量进行两两的距离计算，得到向量距离矩阵
Figure GDA0003254395280000034
其中dab,表示两个交易账户a，b的向量Va，Vb的距离。不同的向量化表达计算距离时不一样，GraphWave方法得到的向量采用欧式距离进行计算。
步骤3：根据步骤2得到的实体间向量距离的矩阵，计算出每个实体距离最近的一系列实体，构成每个实体的相似有序集合；
具体的，根据步骤2中的向量距离矩阵D，对于每一列，按距离从小到大排序，得到交易账户的相似交易账户集合
Figure GDA0003254395280000041
其中每个交易账户n的相似交易账户集合为Sn＝{n1,n2,…nk}。
步骤4：根据步骤3中的相似有序集合，搜索与用户给定的查询交易模式中的每个实体相近的相似有序集合；
具体的，用户想要查询的交易模式为用户给定的查询交易模式，即子图GQ＝(NQ,EQ)，其中NQ∈N，EQ∈E，NQ＝{n1,n2,…,nw}，其中w为GQ中点的数量。查询的交易模式，即子图要保证GQ为联通子图，即GQ中任意两个点n都有一条e进行连接。在步骤3中的相似交易账户集合
Figure GDA0003254395280000042
中，搜索每一个交易账户n的相似集合，即
Figure GDA0003254395280000043
用户可以指定向量距离d去筛选用户查询中交易账户nQ的相似集合，此时
Figure GDA0003254395280000044
Figure GDA0003254395280000045
用户也可以指定数量k去进行筛选，此时
Figure GDA0003254395280000046
步骤5：对步骤4中得到的相似实体集合中所有实体构造网络，得到相似实体关系图，对相似实体关系图进行搜索，得到给定的查询交易模式的相似交易模式集合；
具体的，将步骤4中的得到相似集合
Figure GDA0003254395280000047
中的所有交易账户NS，以及在交易网络G中任意两个交易账户Ni,Nj{Ni,Nj∈NS}间的交易关系E组成的ES，组成图GS(NS,ES)。在图GS去搜索联通子图，可能搜索到多个联通子图，过滤掉那些实体数量和给定的查询子图实体数量相差过多的子图，优选相似子图
Figure GDA0003254395280000048
的实体数量
Figure GDA0003254395280000049
满足
Figure GDA00032543952800000410
得到的联通子图集合
Figure GDA00032543952800000411
其中u为联通子图的数量。每个联通子图为用户搜索子图的相似的子图，每个联通子图即为一种交易模式。
步骤6：对步骤5中的相似交易模式集合和步骤4中用户给定的查询交易模式两两做相似度匹配，进行排序得到有序的相似交易模式集合。
向量化表达的方法可以用GraphWave，Node2vec，Struct2Vec等用于图数据的向量化表达方法，优选的，步骤(1)中，采用GraphWave方法对Bitcoin交易网络数据进行向量化表达，Struct2Vec算法所耗时间比GraphWave多数十倍，Node2Vec的向量化表达采用全局随机游走的方式进行深度和广度的搜索，导致在定义相似性时会有随机性，更不精准。
本发明的有益效果：
本发明的相似子图的快速查找方法与现有的方法相比，把时间损耗转移到预处理阶段，对所需要搜索的网络数据提前进行预处理，进而在预处理后的结果中进行相似子图搜索；本方法只需要数据中包含实体间的关系，克服现有技术中的搜索方法需要实体，实体间关系的类别，对数据要求更多的问题，达到应用更广的目的。
附图说明
图1为本发明方法中Bitcoin交易网络数据转化成图数据的示意图。
图2为本发明方法中得到相似交易模式的示意图。
图3为本发明方法中得到相似交易模式以及相似度排名的示意图。
图4(a)为本发明方法中查询子图规模和平均查询时间的折线图。
图4(b)为本发明方法中用户给定的查询子图规模和平均查询时间的折线图。
图5为现有技术的子图精确匹配算法的数据规模和所耗时间的关系图。
具体实施方式
下面通过实施例结合附图详细描述本发明，本实施例的数据结构是Bitcoin的交易网络，每个实体，即点，为一个交易账户，实体间的关系，即边，表示账户之间进行过交易。用户选取某一些感兴趣的交易模式，即子图，来搜索得到和此相似的交易模式，即相似子图。
如图1～5所示，本实施实例的相似子图的快速查找方法，包括数据预处理部分和相似子图搜索部分，具体包括以下步骤：
数据预处理部分：
步骤1：对要搜索的网络数据进行向量化表达，网络数据为Bitcoin交易网络。网络数据可以用图数据进行表示，图G由顶点n和边e组成，每条边e的两端都必须是图两个顶点n,G(N,E)表示图G的顶点集为N＝{n1,n2,…np}，其中p为顶点的数量，边集为E＝{e1,e2,…eq}，其中q为边的数量，如图1所示，点为Bitcoin交易网络数据中的交易账户，边为Bitcoin交易网络数据中账户之间的交易关系，采用GraphWave方法对网络数据进行向量化表达，Bitcoin交易网络中交易账户的向量集合为
Figure GDA0003254395280000061
其中每个交互账户n的向量为
Figure GDA0003254395280000062
其中l为向量的维度。
步骤2：根据步骤1中得到交易账户向量集合
Figure GDA0003254395280000063
通过其中每个交易账户n的向量化结果Vn，对交互账户的向量进行两两的距离计算，得到向量距离矩阵
Figure GDA0003254395280000064
其中dab，表示两个交易账户a，b的向量Va，Vb的距离。不同的向量化表达计算距离时不一样，GraphWave方法得到的向量采用欧式距离进行计算。
步骤3：根据步骤2中的向量距离矩阵D，对于每一列，按距离从小到大排序，得到交易账户的相似交易账户集合
Figure GDA0003254395280000065
其中每个交易账户n的相似交易账户集合为Sn＝{n1,n2,…nk}。
相似子图搜索部分：
步骤4：图2中，虚线框起的部分，为用户想要查询的交易模式，即子图GQ＝(NQ,EQ)，其中NQ∈N，EQ∈E，NQ＝{n1,n2,…,nw},其中w为GQ中点的数量。查询的交易模式，即子图要保证GQ为联通子图，即GQ中任意两个点n都有一条e进行连接。在步骤3中的相似交易账户集合
Figure GDA0003254395280000066
中，搜索每一个交易账户n的相似集合，即
Figure GDA0003254395280000071
用户可以指定向量距离d去筛选用户查询中交易账户nQ的相似集合，此时
Figure GDA0003254395280000072
Figure GDA0003254395280000073
用户也可以指定数量k去进行筛选，此时
Figure GDA0003254395280000074
步骤5：将步骤4中的得到相似集合
Figure GDA0003254395280000075
中的所有交易账户NS，以及在交易网络G中任意两个交易账户Ni,Nj{Ni,Nj∈NS}间的交易关系E组成的ES，组成图GS(NS,ES)。在图GS去搜索联通子图，可能搜索到多个联通子图，过滤掉那些实体数量和给定的查询子图实体数量相差过多的子图，相似子图
Figure GDA0003254395280000076
的实体数量
Figure GDA0003254395280000077
满足
Figure GDA0003254395280000078
得到的联通子图集合
Figure GDA0003254395280000079
其中u为联通子图的数量。每个联通子图为用户搜索子图的相似的子图，每个联通子图即为一种交易模式，图2中，实线框起的部分为搜索得到相似交易模式，即相似子图。
步骤6：将步骤5中得到相似交易模式集合
Figure GDA00032543952800000710
中每一个相似交易模式
Figure GDA00032543952800000711
和用户搜索的交易模式GQ，进行相似度计算，将
Figure GDA00032543952800000712
按照相似度从大到小进行排序，进行返回，图3中，显示了每个相似交易模式，和用户交易模式的相似度排名。
图4(a)中展示了，当用户查询的子图规模为50个点，随着网络数据规模不断增加时，所用的时间都在0.8秒以内。图4(b)中展示了，当网络数据规模为207689个点，随着用户查询的子图规模不断增加时，所用的时间不断增加，但耗时都在1.6秒以内。
图5中显示了不同的子图精确匹配算法的数据规模和所耗时间的关系。
综上所述，本实施例的方法把时间损耗转移到预处理阶段，对所需要搜索的网络数据提前进行预处理，进而在预处理后的结果中进行相似交易模式搜索，只需要数据中包含实体间的关系，而现有技术中需要实体，实体间关系的类别，对数据要求更多，因此本方法的应用更广，另外其它精确匹配子图的算法，所需的时间复杂度高，用其进行相似度匹配时，依旧有大量的耗时进行一一匹配和搜索，而本实施例方法耗时更少。

Claims (3)

1.一种相似交易模式的快速查找方法，其特征在于，包括以下步骤：
步骤1：对Bitcoin交易网络数据进行向量化表达，用向量来代表网络数据中的每个实体得到向量化数据；
Bitcoin交易网络数据用图数据进行表示，图G由顶点n和边e组成，每条边e的两端都必须是图两个顶点n，G(N，E)表示图G的顶点集为N＝{n1，n2，...np}，其中p为顶点的数量，边集为E＝{e1，e2，...eq}，其中q为边的数量；点为Bitcoin交易网络数据中的交易账户，边为Bitcoin交易网络数据中账户之间的交易关系，采用GraphWave方法对网络数据进行向量化表达，Bitcoin交易网络中交易账户的向量集合为
Figure FDA0003254395270000011
其中每个交互账户n的向量为
Figure FDA0003254395270000012
其中l为向量的维度；
步骤2：计算步骤1得到的向量化数据中两两实体间的向量距离，得到实体与实体之间向量距离的矩阵；
具体的，根据步骤1中得到交易账户向量集合
Figure FDA0003254395270000013
通过其中每个交易账户n的向量化结果Vn，对交互账户的向量进行两两的距离计算，得到向量距离矩阵
Figure FDA0003254395270000014
其中dab，表示两个交易账户a，b的向量Va，Vb的距离；
步骤3：根据步骤2得到的实体间向量距离的矩阵，计算出每个实体距离最近的一系列实体，构成每个实体的相似有序集合；
步骤4：根据步骤3中的相似有序集合，搜索与用户给定的查询交易模式中的每个实体相近的相似有序集合；
步骤5：对步骤4中得到的相似有序集合中所有实体构造网络，得到相似实体关系图，对相似实体关系图进行搜索，得到给定的查询交易模式的相似交易模式集合；
步骤6：对步骤5中的相似交易模式集合和步骤4中用户给定的查询交易模式两两做相似度匹配，进行排序得到有序的相似交易模式集合。
2.如权利要求1所述的相似交易模式的快速查找方法，其特征在于，步骤5中，对相似实体关系图进行联通子图搜索。
3.如权利要求1所述的相似交易模式的快速查找方法，其特征在于，步骤1中，采用GraphWave方法对Bitcoin交易网络数据进行向量化表达。
CN201810529847.7A 2018-05-29 2018-05-29 一种相似交易模式的快速查找方法 Active CN108804599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810529847.7A CN108804599B (zh) 2018-05-29 2018-05-29 一种相似交易模式的快速查找方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810529847.7A CN108804599B (zh) 2018-05-29 2018-05-29 一种相似交易模式的快速查找方法

Publications (2)

Publication Number Publication Date
CN108804599A CN108804599A (zh) 2018-11-13
CN108804599B true CN108804599B (zh) 2022-01-04

Family

ID=64090939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810529847.7A Active CN108804599B (zh) 2018-05-29 2018-05-29 一种相似交易模式的快速查找方法

Country Status (1)

Country Link
CN (1) CN108804599B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977139B (zh) * 2019-03-18 2022-12-02 京东科技控股股份有限公司 基于类结构化查询语句的数据处理方法和装置
CN112395492B (zh) * 2019-08-16 2022-04-05 华为技术有限公司 一种节点识别方法、装置以及设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609555A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度共生矩阵的灰度模板匹配方法
CN101661482A (zh) * 2008-08-27 2010-03-03 国际商业机器公司 在网络中识别相似子图的方法和设备
CN102339362A (zh) * 2011-11-08 2012-02-01 苏州大学 一种抽取蛋白质相互作用关系的方法
CN103488789A (zh) * 2013-10-08 2014-01-01 百度在线网络技术（北京）有限公司 推荐方法、装置和搜索引擎
CN104615687A (zh) * 2015-01-22 2015-05-13 中国科学院计算技术研究所 一种面向知识库更新的实体细粒度分类方法与系统
CN106066856A (zh) * 2016-05-24 2016-11-02 北京工商大学 一种基于编辑距离以及词频和词向量的实体关系识别方法
CN106156374A (zh) * 2016-09-13 2016-11-23 华侨大学 一种基于视觉词典优化和查询扩展的图像检索方法
CN106326217A (zh) * 2015-06-15 2017-01-11 华东师范大学 一种基于随机算法的分布式实体匹配方法
CN107133257A (zh) * 2017-03-21 2017-09-05 华南师范大学 一种基于中心连通子图的相似实体识别方法及系统
CN107180024A (zh) * 2017-03-27 2017-09-19 华南师范大学 一种中心连通子图的多源异构数据实体识别方法及系统
CN107704480A (zh) * 2016-08-08 2018-02-16 百度（美国）有限责任公司 扩展和强化知识图的方法和系统以及计算机介质
CN108052547A (zh) * 2017-11-27 2018-05-18 华中科技大学 基于问句和知识图结构分析的自然语言问答方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396884B2 (en) * 2006-02-27 2013-03-12 The Regents Of The University Of California Graph querying, graph motif mining and the discovery of clusters
US7849104B2 (en) * 2007-03-01 2010-12-07 Microsoft Corporation Searching heterogeneous interrelated entities
US8000262B2 (en) * 2008-04-18 2011-08-16 Bonnie Berger Leighton Method for identifying network similarity by matching neighborhood topology
CN105335524B (zh) * 2015-11-27 2019-09-24 中国科学院自动化研究所 一种应用于大规模非规则结构数据的图搜索方法
CN105956114A (zh) * 2016-05-05 2016-09-21 南京邮电大学 一种基于标签图的模式匹配子图查找方法
CN107193882B (zh) * 2017-04-27 2020-11-20 东南大学 RDF数据上基于图匹配的why-not查询回答方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661482A (zh) * 2008-08-27 2010-03-03 国际商业机器公司 在网络中识别相似子图的方法和设备
CN101609555A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度共生矩阵的灰度模板匹配方法
CN102339362A (zh) * 2011-11-08 2012-02-01 苏州大学 一种抽取蛋白质相互作用关系的方法
CN103488789A (zh) * 2013-10-08 2014-01-01 百度在线网络技术（北京）有限公司 推荐方法、装置和搜索引擎
CN104615687A (zh) * 2015-01-22 2015-05-13 中国科学院计算技术研究所 一种面向知识库更新的实体细粒度分类方法与系统
CN106326217A (zh) * 2015-06-15 2017-01-11 华东师范大学 一种基于随机算法的分布式实体匹配方法
CN106066856A (zh) * 2016-05-24 2016-11-02 北京工商大学 一种基于编辑距离以及词频和词向量的实体关系识别方法
CN107704480A (zh) * 2016-08-08 2018-02-16 百度（美国）有限责任公司 扩展和强化知识图的方法和系统以及计算机介质
CN106156374A (zh) * 2016-09-13 2016-11-23 华侨大学 一种基于视觉词典优化和查询扩展的图像检索方法
CN107133257A (zh) * 2017-03-21 2017-09-05 华南师范大学 一种基于中心连通子图的相似实体识别方法及系统
CN107180024A (zh) * 2017-03-27 2017-09-19 华南师范大学 一种中心连通子图的多源异构数据实体识别方法及系统
CN108052547A (zh) * 2017-11-27 2018-05-18 华中科技大学 基于问句和知识图结构分析的自然语言问答方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Fast Similar Subgraph Search with Maximum Common Connected Subgraph Constraints;H. Hu 等;《2013 IEEE International Congress on Big Data》;20130916;第181-188页 *
基于图的实体关系关联分析关键技术研究;吴烨;《国防科学技术大学》;20170215(第2期);第I138-64页 *
基于频繁子图的图查询技术研究;白同贺;《东南大学》;20180415(第4期);第I138-321页 *
面向比特币交易网络的拓扑结构可视探索方法;潘嘉铖 等;《软件学报》;20190430;第30卷(第10期);第3017-3025页 *

Also Published As

Publication number Publication date
CN108804599A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
Costa et al. Characterization of complex networks: A survey of measurements
CN108388642B (zh) 一种子图查询方法、装置及计算机可读存储介质
WO2021109464A1 (zh) 一种面向大规模用户的个性化教学资源推荐方法
CN105868334A (zh) 一种基于特征递增型的电影个性化推荐方法及系统
CN108804599B (zh) 一种相似交易模式的快速查找方法
CN104077723A (zh) 一种社交网络推荐系统及方法
CN105808729B (zh) 基于论文间引用关系的学术大数据分析方法
CN103353865A (zh) 一种基于位置的易货电子交易商品推荐方法
Cai et al. Stereo Attention Cross-Decoupling Fusion-Guided Federated Neural Learning for Hyperspectral Image Classification
CN107622071A (zh) 通过间接相关反馈在无查源下的衣服图像检索系统及方法
CN112559807A (zh) 一种基于多源点并行探索的图模式匹配方法
CN108829770B (zh) 一种相似子图间实体对应关系的快速查找方法
Chen et al. PBSM: an efficient top-K subgraph matching algorithm
Qv et al. LG: A clustering framework supported by point proximity relations
CN112150285B (zh) 基于邻域拓扑结构的异常金融组织层次划分系统及方法
CN110751180B (zh) 一种基于谱聚类的虚假评论群组划分方法
Zhang et al. Spatial co-location pattern mining over extended objects based on cell-relation operations
Liu et al. An efficient method for top-k graph based node matching
Fotopoulou et al. An improved 3D shape visibility graph with application to mesh segmentation
Tang et al. An efficient method based on label propagation for overlapping community detection
Hung et al. Content-Based Image Retrieval using Multi Deep Neural Networks and K-Nearest Neighbor Approaches
Dong et al. COPT: Coordinated Optimal Transport for Graph Sketching
Beer et al. Graph Ordering and Clustering: A Circular Approach
Peng et al. TH-SLP: Web Service Link Prediction Based on Topic-aware Heterogeneous Graph Neural Network
CN115858631A (zh) 一种应用于事务数据库的skyline模式挖掘方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant