基于加权不确定图数据的高效紧密子图挖掘算法

数据挖掘的一个分支是处理不确定和概率数据的建模、查询和挖掘。

为了提升在不确定数据集上频繁模式挖掘的效率，针对现有算法在判断是否需要创建子头表时计算量较大的问题，提出了近似挖掘策略AAT-Mine。该策略在损失少量频繁项集的基础上，显著提高了整体算法的挖掘效率。实验采用三个典型数据集对算法进行了测试，并与目前最优算法及典型算法进行了性能对比，结果表明AAT-Mine在时空效率上均有显著提升。

不确定性空间数据挖掘算法模型在实际应用中展现出其独特的价值和效果。

针对可拓分类中存在的不确定性和分类不足，本研究结合关联函数与决策函数，探讨了在不确定条件下的可拓群决策。研究内容涵盖了可拓变换与粗糙分类、属性约简与规则提取，以及数据分析与方案识别，实现在不确定条件下决策对象的比较与选择。解决了多方案可拓分类和动态识别的系统分类问题，从而提升了可拓群决策数据挖掘的准确性和可信度。

在Matlab中，errorshade是一种细微的绘制不确定度的方法，可以有效地展示数据的不确定性和变化范围。使用该方法，用户能够更直观地理解数据的波动性。

J.M. Santos 等人提出的 LEGClust 算法是一种基于分层熵子图的聚类算法，该算法已发表在 IEEE TPAMI（第 30 卷，第 1 期，2008 年，1-13 页）。MATLAB 代码可用于实现该算法。

基于云计算环境的 web 数据挖掘算法，挺适合你这种对图算法有点研究、还想跑得快的场景。Web Graph 的数据结构用起来比较直观，尤其是在社交网络那种用户关系链复杂的时候，配合力导向算法，图形一出来，关系一目了然，调试也方便。 Web Graph 的数据结构设计得还不错，适合做用户关系，尤其是社交网站的用户数据。力导向算法表现图结构形象，关系链看得清，节点的权重变化也能一眼看出。响应也快，代码也不复杂。 用云计算环境跑图数据挖掘是个加速器，论文里直接用了分布式算法跑 Graph 直径计算，效率提升蛮的。是部署在集群上，分布式并行，资源利用率也高。 部署方案上也有参考价值，比如在 Hadoo

基于数据资源的认知图挖掘算法，最大的亮点在于：不靠专家主观判断，靠数据说话，效果还挺靠谱的。 数据驱动的认知图挖掘方法，挖掘出的知识图谱准确率更高，不容易出偏差。整个思路是先清洗数据，再选关键节点，因果关系，流程蛮清晰的。你只需要把数据准备好，剩下的都可以交给系统。 像它用到的粗糙集算法，其实就是帮你自动筛选有用特征。以前这事得靠领域专家拍脑袋，现在它能自动选出有代表性的属性，后面构图的时候也更精简准确。 另外，系统里有一套因果关系挖掘算法，对节点间的关系挺细的，能判断出是强关联还是弱关联，甚至方向也能推理。比如：销量和广告投放之间有没有因果，就可以跑一遍。 整个系统是做成了前后端分离的结构，

2.1 告警收敛数据挖掘算法框架设计。告警数据属于典型的时态数据，时态数据挖掘技术构成了本章算法的理论基础。