当前位置：
X-MOL 学术
›
WIREs Data Mining Knowl. Discov.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
A survey of pattern mining in dynamic graphs
WIREs Data Mining and Knowledge Discovery ( IF 6.4 ) Pub Date : 2020-05-20 , DOI: 10.1002/widm.1372 Philippe Fournier‐Viger 1 , Ganghuan He 2 , Chao Cheng 2 , Jiaxuan Li 2 , Min Zhou 3 , Jerry Chun‐Wei Lin 4 , Unil Yun 5
WIREs Data Mining and Knowledge Discovery ( IF 6.4 ) Pub Date : 2020-05-20 , DOI: 10.1002/widm.1372 Philippe Fournier‐Viger 1 , Ganghuan He 2 , Chao Cheng 2 , Jiaxuan Li 2 , Min Zhou 3 , Jerry Chun‐Wei Lin 4 , Unil Yun 5
Affiliation
|
Graph data is found in numerous domains such as for the analysis of social networks, sensor networks, bioinformatics, industrial systems, and chemistry. Analyzing graphs to identify useful and interesting patterns is an important research area. It helps understanding graphs, and hence support decision making. Since two decades, many graph mining algorithms have been proposed to identify patterns such as frequent subgraphs, paths, cliques, and trees. But most of them assume that graphs are static. This simplifying assumption makes it easy to design algorithms but discard information about how graphs evolve. This article provides a detailed survey of techniques for mining interesting patterns in dynamic graphs, which can serve both as an introduction and as a guide to recent advances and opportunities in this research area. The main tasks related to mining patterns in dynamic graphs are reviewed such as discovering frequent subgraphs, evolution rules, motifs, subgraph sequences, recurrent and triggering patterns, and trend sequences. In addition, an overview of strategies and approaches to solve dynamic graph mining problems is presented, and their advantages and limitations are highlighted. Various extensions are also discussed such as to discover patterns in data streams and big data. Finally, the article mentions several research opportunities.
中文翻译：
动态图模式挖掘研究
在许多领域中都可以找到图形数据，例如用于分析社交网络，传感器网络，生物信息学，工业系统和化学。分析图形以识别有用和有趣的模式是重要的研究领域。它有助于理解图形，从而支持决策。自从二十年以来，已经提出了许多图挖掘算法来识别模式，例如频繁的子图，路径，集团和树。但是大多数人都认为图是静态的。这种简化的假设使设计算法变得容易，但是却放弃了有关图的演化信息。本文对在动态图中挖掘有趣模式的技术进行了详细的调查，可以作为本研究领域的最新进展和机遇的引言和指南。审查了与动态图中的挖掘模式有关的主要任务，例如发现频繁的子图，演化规则，主题，子图序列，重复和触发模式以及趋势序列。此外，还概述了解决动态图挖掘问题的策略和方法，并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。
更新日期：2020-05-20
中文翻译：
动态图模式挖掘研究
在许多领域中都可以找到图形数据，例如用于分析社交网络，传感器网络，生物信息学，工业系统和化学。分析图形以识别有用和有趣的模式是重要的研究领域。它有助于理解图形，从而支持决策。自从二十年以来，已经提出了许多图挖掘算法来识别模式，例如频繁的子图，路径，集团和树。但是大多数人都认为图是静态的。这种简化的假设使设计算法变得容易，但是却放弃了有关图的演化信息。本文对在动态图中挖掘有趣模式的技术进行了详细的调查，可以作为本研究领域的最新进展和机遇的引言和指南。审查了与动态图中的挖掘模式有关的主要任务，例如发现频繁的子图，演化规则，主题，子图序列，重复和触发模式以及趋势序列。此外，还概述了解决动态图挖掘问题的策略和方法，并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。并强调了它们的优点和局限性。还讨论了各种扩展，例如发现数据流和大数据中的模式。最后，本文提到了一些研究机会。
京公网安备 11010802027423号