[发明专利]一种面向大规模图数据集的统计显著子图挖掘方法及装置

说明书

本发明公开了一种面向大规模图数据集的统计显著子图挖掘方法及装置，该方法包括：对图数据集G进行挖掘，在族错误率阈值α下校正所述统计显著性阈值，基于改进的置换检验算法westfall‑younglight获得校正后的显著性阈值δ^*，以及达到显著性阈值δ^*时挖掘的子图所需满足的最小支持度阈值σ；利用蚁群优化算法，在图数据集G中挖掘所述统计显著性阈值p小于等于显著性阈值δ^*的所有子图；挖掘的所有子图的支持度收敛到所述最小支持度阈值σ。上述方法在挖掘显著子图的过程中能够有效减少重复的计算量。

技术领域

本发明涉及图数据挖掘技术，具体涉及一种面向大规模图数据集的统计显著子图挖掘方法及装置。

背景技术

在生物信息学，计算化学，医学信息和社交网络等科学研究领域的应用中，产生了大量的用图模式建模的数据。为了对这些数据进行进一步的分析与研究，需要从中提取特征子图，作为原始图模式的代表。

现有技术中从图数据中提取特征子图有较多的研究，如：采用频繁子图挖掘算法提取特征子图。另外，出现了一系列基于频繁子图挖掘算法的AGM算法，FSG算法等。此外，还有利用索引来挖掘频繁子图的算法GraphMiner、利用用户约束条件来挖掘频繁子图的gPrune算法等。随着研究的逐渐深入，研究人员发现利用频繁子图作为图的显著子结构对于某些场合并不是很适合。于是，出现了利用子图在正负样本中支持度的比较来挖掘区分子图的LEAP算法、利用边的正负样本比例作为适应度函数挖掘区分子图的GAIA算法等。GAIA算法是一种高效的用来挖掘区分子图的算法。但是区分子图的定义不够科学，难以量化子图与类别的相关关系。业内人士提出了一种新的显著性子图的定义，即计算子图的p值。如：GraphSig，GraphRank等算法就是利用子图在原始图数据集中的分布估计子图的统计显著性。

然而，在上述的图模式挖掘过程中，候选子图的个数异常巨大。在这种情况下，需要同时进行成千上万的假设检验。在这样的情况下，如果只能控制每个子图的统计显著性，会使得挖掘结果出现大量的假阳性个体，使得最后获得的特征子图的结果并不准确。

因此，亟需提供一种选取出最具有显著性的子图作为分类特征，同时能够将假阳性的比例控制在一定范围内，以提高统计效率的方法。

发明内容

针对现有技术中的问题，本发明提供一种面向大规模图数据集的统计显著子图挖掘方法及装置。

第一方面，本发明提供一种面向大规模图数据集的统计显著子图挖掘方法，包括：

步骤A1、给定含有n个图的图事务数据库G以及族错误率α；

步骤A2、利用改进的置换检验算法westfall-younglight对所述图事务数据库G进行挖掘，在所述族错误率α下对所述统计显著性阈值进行基于置换检验的假设检验校正，获得优化后的显著性阈值δ^*，以及达到所述显著性阈值δ^*时挖掘的子图所需满足的最小支持度阈值σ；

步骤A3、基于所述显著性阈值δ^*和最小支持度阈值σ，利用蚁群优化算法，在所述图事务数据库G中挖掘统计显著性阈值p小于等于所述显著性阈值δ^*且支持度收敛到所述最小支持度阈值σ的所有子图G_res。

可选地，所述步骤A2包括：

A21、基于给定的族错误率α，使图事务数据库G随机生成类标签对应的J个排列；

初始化最小支持度阈值σ为1，初始化校正后的显著性阈值δ^*为支持度对应的最小p值下界，初始化待检验子图的支持度范围为∑₁≥1，初始化不同类标签排列下的最小p值p_min为1；