带有层次化标签的图关联规则挖掘方法研究
这是一篇关于图关联规则,层次图,社交图,子图同构的论文, 主要内容为知识图谱强大的语义处理能力和语言表达能力,很好的处理了互联网中数据多态异构分布等问题,因此图数据被广泛应用于各个领域。发现图数据中实体之间的规律性能够将图数据更好地应用于社会媒体营销、网络安全等方面,逐渐成为研究者的关注热点之一,图关联规则可以有效的发现图数据中实体之间的关联关系,并将这些联系应用到社会推荐、媒体营销等各方面,因此如何获得更多有意义的图关联规则成为这方面的研究重点。传统的图关联规则采用子图同构的匹配方法获得图关联规则,这种匹配方法要求模式图和数据图在节点标签和结构上完全一致,要求过于严苛,而在知识图谱中,标签之间存在层次化结构,使用传统的图关联规则判定方法无法辨别出节点标签中的层次关系,导致满足条件的图关联规则无法被识别,针对这一问题,本文提出了带有层次化标签的图关联规则及其度量标准,在图关联规则的判定过程中考虑节点标签的层次化结构,获得更多有价值的带有层次化标签的图关联规则。本文的具体研究内容如下:(1)提出带有层次化标签的子图同构匹配方法,在子图同构的匹配方法中考虑标签的层次化结构,以放松在匹配过程中对节点标签的要求,得到更多的匹配结果。基于该匹配方法,给出了带有层次化标签的图关联规则的定义。(2)给出层次化标签的支持度和置信度的定义。支持度和置信度是图关联规则的评判标准,本论文在图关联规则的支持度和标准置信度的定义中引入标签的层次化结构,重新定义了带有层次化标签的支持度和置信度,用于判定频繁模式子图是否为带有层次化标签的图关联规则。(3)提出带有层次化标签的图关联规则挖掘方法。为高效判定带有层次化标签的图关联规则,本论文提出基于Pregel编程模型的带有层次化标签的图关联规则判定算法。该算法利用Pregel编程模型,实现了在大图上的并行化处理。本文在Yago数据集和模拟数据集上进行实验验证,把本文提出的带有层次化标签的图关联规则与传统的图关联规则挖掘方法做实验对比,从挖掘出的关联规则个数进行对比,同时列举出部分真实的带有层次化标签的图关联规则。实验表明,相对于传统的图关联规则,带有层次化标签的图关联规则挖掘方法能够得到更多的图关联规则。
基于原子化功能组件的边缘计算算力协同技术研究
这是一篇关于算力网络,边缘计算,功能组件,算力协同,子图同构的论文, 主要内容为边缘计算(Edge Computing)技术的本质是在网络边缘部署边缘服务器,就近向用户提供计算资源和网络资源,它受到了广泛关注并作为核心技术被纳入5G标准。算力网络概念的提出带动了传统互联网架构的改变,并促进边缘计算网络逐步朝着计算融入网络的方向转变。而且,微服务和容器的发展使得传统的客户端-服务器模式的解耦,服务器端的应用被解耦成由网关统一调度的原子化功能组件,而网络中的算力也被封装在这些原子化功能组件中。然而,从为用户完成各种计算任务的角度分析,网络中嵌入的具有算力的原子化功能组件并不是对等关系,而是受距离远近、网络状况好坏、算力资源大小、功能组件类型等多种影响。各种用户的各类应用要求各不相同,这导致业务的需求也是千变万化的,且一个业务往往需要多种功能组件协同处理。因此,本文在原子化功能组件为基础的边缘计算网络中,从用户对资源的需求以及边缘计算网络对资源的提供两方面考虑,根据业务特点和网络状态为业务定制最佳的算力协同策略,实现为用户提供具有最短时延的服务,让用户有着最佳体验质量。本文的具体研究内容和贡献如下:(1)本文提出了一种基于要素图的边缘计算网络分布式异构资源抽象模型,实现边缘计算网络中算力资源和网络资源的集中管理。(2)不同的业务有着不同的算力资源需求、网络资源需求和子任务依赖关系,这导致为不同业务定制的算力协同策略差异巨大,如何快速衡量各种算力协同策略的时延性能是制定策略时首要解决的问题。为此,本文设计了一种时延衡量模型,可用于快速衡量各种算力协同策略的服务时延。(3)由于制定算力协同策略为NP-hard问题,本文研究了利用贪婪算法、启发式算法、机器学习和子图同构等多种算法来制定算力协同策略,并做了仿真实验来对比它们的性能。而且,为了降低子图同构的复杂度,本文又进一步提出了一种自适应调整策略,以减小搜索空间,加快子图同构算法的求解速度。
带有层次化标签的图关联规则挖掘方法研究
这是一篇关于图关联规则,层次图,社交图,子图同构的论文, 主要内容为知识图谱强大的语义处理能力和语言表达能力,很好的处理了互联网中数据多态异构分布等问题,因此图数据被广泛应用于各个领域。发现图数据中实体之间的规律性能够将图数据更好地应用于社会媒体营销、网络安全等方面,逐渐成为研究者的关注热点之一,图关联规则可以有效的发现图数据中实体之间的关联关系,并将这些联系应用到社会推荐、媒体营销等各方面,因此如何获得更多有意义的图关联规则成为这方面的研究重点。传统的图关联规则采用子图同构的匹配方法获得图关联规则,这种匹配方法要求模式图和数据图在节点标签和结构上完全一致,要求过于严苛,而在知识图谱中,标签之间存在层次化结构,使用传统的图关联规则判定方法无法辨别出节点标签中的层次关系,导致满足条件的图关联规则无法被识别,针对这一问题,本文提出了带有层次化标签的图关联规则及其度量标准,在图关联规则的判定过程中考虑节点标签的层次化结构,获得更多有价值的带有层次化标签的图关联规则。本文的具体研究内容如下:(1)提出带有层次化标签的子图同构匹配方法,在子图同构的匹配方法中考虑标签的层次化结构,以放松在匹配过程中对节点标签的要求,得到更多的匹配结果。基于该匹配方法,给出了带有层次化标签的图关联规则的定义。(2)给出层次化标签的支持度和置信度的定义。支持度和置信度是图关联规则的评判标准,本论文在图关联规则的支持度和标准置信度的定义中引入标签的层次化结构,重新定义了带有层次化标签的支持度和置信度,用于判定频繁模式子图是否为带有层次化标签的图关联规则。(3)提出带有层次化标签的图关联规则挖掘方法。为高效判定带有层次化标签的图关联规则,本论文提出基于Pregel编程模型的带有层次化标签的图关联规则判定算法。该算法利用Pregel编程模型,实现了在大图上的并行化处理。本文在Yago数据集和模拟数据集上进行实验验证,把本文提出的带有层次化标签的图关联规则与传统的图关联规则挖掘方法做实验对比,从挖掘出的关联规则个数进行对比,同时列举出部分真实的带有层次化标签的图关联规则。实验表明,相对于传统的图关联规则,带有层次化标签的图关联规则挖掘方法能够得到更多的图关联规则。
基于本体和邻居信息的知识图谱查询算法研究
这是一篇关于知识图谱,子图同构,图压缩,签名索引,本体的论文, 主要内容为目前,关于知识图谱的查询研究多是基于节点标签的子图匹配。由于节点标签是实体的名称或属性等自身信息,不能体现节点间的语义信息,这导致查询得到的结果语义相关度不高。同时,因为知识图谱多是大规模的数据集,导致存储成本过高。针对上述问题,本文提出了一种基于本体和邻居信息的知识图谱查询算法OAN(Ontology And Neighborhood)。整个查询过程主要从减少图存储空间的压缩技术、提高查询效率的索引技术、提高结果语义相关性查询这三方面展开研究的。首先,本文提出并设计了一种基于双向关系的图压缩技术。压缩的核心思想是通过判断节点间的本体类型是否相同对节点进行划分,同时判断多条边之间是否满足双向关系,若满足,则将这些边进行压缩。通过图压缩,可以将原始图转化成一个更小规模的概要图,节省内存空间。其次,本文提出了一种基于图签名的索引算法。这个索引由两层签名组成,上层是节点的基本信息签名,下层是上层节点对应的邻居信息签名,目标图中所有节点的两层签名构成了整个图的签名索引。通过这个索引能提前移除一些不匹配节点,提高过滤阶段的查询效率。之后,本文在这个索引的基础上提出了一个基于本体和邻居信息的查询算法。在过滤阶段,算法设计了一种同时考虑节点本体信息和图结构信息的相似度度量方法,由此可以提高结果集的语义相关性。在剪枝阶段,提出一种边信息检测方法来去除那些不满足匹配条件的查询节点候选集,并根据最终候选集对目标图剪枝,从而减少了目标图的规模,加快了验证阶段的查询速度。在验证排序阶段,验证候选集中子图是否满足边标签同构,并计算满足要求的结果的总语义相似度,给每个结果打分后进行排序,返回最终相似度高的前k个结果集。最后,在Yago等三个开放数据集上做实验,并且和已有的相关算法进行对比。通过分析实验结果得出,本文所提出的方法无论是在图压缩和索引的优化性能,还是图查询算法的精确度和有效性方面都有所提高。
基于原子化功能组件的边缘计算算力协同技术研究
这是一篇关于算力网络,边缘计算,功能组件,算力协同,子图同构的论文, 主要内容为边缘计算(Edge Computing)技术的本质是在网络边缘部署边缘服务器,就近向用户提供计算资源和网络资源,它受到了广泛关注并作为核心技术被纳入5G标准。算力网络概念的提出带动了传统互联网架构的改变,并促进边缘计算网络逐步朝着计算融入网络的方向转变。而且,微服务和容器的发展使得传统的客户端-服务器模式的解耦,服务器端的应用被解耦成由网关统一调度的原子化功能组件,而网络中的算力也被封装在这些原子化功能组件中。然而,从为用户完成各种计算任务的角度分析,网络中嵌入的具有算力的原子化功能组件并不是对等关系,而是受距离远近、网络状况好坏、算力资源大小、功能组件类型等多种影响。各种用户的各类应用要求各不相同,这导致业务的需求也是千变万化的,且一个业务往往需要多种功能组件协同处理。因此,本文在原子化功能组件为基础的边缘计算网络中,从用户对资源的需求以及边缘计算网络对资源的提供两方面考虑,根据业务特点和网络状态为业务定制最佳的算力协同策略,实现为用户提供具有最短时延的服务,让用户有着最佳体验质量。本文的具体研究内容和贡献如下:(1)本文提出了一种基于要素图的边缘计算网络分布式异构资源抽象模型,实现边缘计算网络中算力资源和网络资源的集中管理。(2)不同的业务有着不同的算力资源需求、网络资源需求和子任务依赖关系,这导致为不同业务定制的算力协同策略差异巨大,如何快速衡量各种算力协同策略的时延性能是制定策略时首要解决的问题。为此,本文设计了一种时延衡量模型,可用于快速衡量各种算力协同策略的服务时延。(3)由于制定算力协同策略为NP-hard问题,本文研究了利用贪婪算法、启发式算法、机器学习和子图同构等多种算法来制定算力协同策略,并做了仿真实验来对比它们的性能。而且,为了降低子图同构的复杂度,本文又进一步提出了一种自适应调整策略,以减小搜索空间,加快子图同构算法的求解速度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54865.html
