针对图数据挖掘效率低、精度低等问题,提出基于环型网络模体应用马尔科夫聚类的图挖掘模型.首先,依据输入图的点集,采用Erd o″s-Rényi模型生成随机图,在输入图和随机图的子图挖掘过程中利用向量的加法性质判定环型子图,计算网络模体的统计特征,判断子图是否为网络模体.然后,求解图中边的绝对贡献值关联矩阵,通过动态阈值法求得阈值,二值化处理该矩阵.最后,对已稀疏化的图进行扩张和膨胀操作,使其达到收敛状态.实验表明,文中模型有效减少运行时间,在保证聚类质量同时提高图挖掘效率. 由于子图类型随着图和待挖掘子图的规模呈指数级增长，即在不同的图中，可能模体的种类有很多种，但在规模大而稠密的图中网络模体-电动数控滚圆机滚弧机价格低张家港电动滚圆机多少钱，尤其是在越来越接近完全图的大图中，相比其它类型的网络模体，环型网络模体出现的次数更多［24－25］．所以在规模大而稠密的图中 本文有张家港市泰宇机械有限公司全自动倒角机采集网络整理，http://www.daojiaoj.com，环型网络模体比其它类型的网络模体更具有代表性和普遍性．因此，本文研究的对象是规模大且较稠密的图，文本只考虑一类模体，即环型网络模体，与图5具有共同特征的子图，即都封闭，为环型，但长度l不同，相比文献［12］方法，更具普遍适应性．因为三角型模体是环型网络模体的一种特殊形式，凡是应用到三角型模体的聚类皆可以应用到环型网络模体聚类，但是可以使用环型网络模体聚类的情况不一定可以使用到三角型模体的聚类．图5不同l的环型网络模体Fig．5Annularnetworkmotifswithdifferentl1．2绝对贡献量化及二值化环型网络模体发现算法识别环型网络模体和计算边在不同模体中出现的次数．由于一条边属于多个模体l-cycle，因此，如文献［11］所述，模体数量越多，该边的贡献值越大．设G=(V，E)和边e∈E，l≥3，l-cycle是长度为l、多边形网络模体g=(v，ξ)，即l=v=ξ，如图5所示．cl(e)为包含边e的网络模体l-cycle的个数，则边e簇绝对贡献值关于cl(e)表示为CSlC(e)=cl(e)，其中C为绝对计数．设l0≥3，边e绝对聚类贡献值:CSVC=F(CS3C(e)，CS4C(e)，…，CSl0C(e))，(8)其中F(·)为相关聚合函数，例如AVG(·)或SUM(·)．通过式(8)计算边绝对聚类贡献值．如图3所示，给定边e=(4，5)出现在多个模网络模体-电动数控滚圆机滚弧机价格低张家港电动滚圆机多少钱 本文有张家港市泰宇机械有限公司全自动倒角机采集网络整理，http://www.daojiaoj.com