빅 데이터 마이닝은 그래프 패턴 마이닝 연구 분야에서 중요한 문제가 되고 있다. 최근의 그래프 마이닝 연구는 그래프 데이터베이스를 분할하거나 최소 지지도를 변화시켜 가면서 반복적으로 빈발 서브그래프를 마이닝하는 접근방법이다. 빈발 서브그래프 마이닝은 그래프 데이터베이스에서 탐색 데 이터 분석을 위한 중요한 과제이다. 빈발 서브그래프 마이닝은 두 가지 중요한 오버 헤드를 수반한다. 그것은 후보 셋 생성과 동형 테스트에 관한 것이다. 서브그래프 동형 찾기는 그래프로 모델링된 데이 터를 처리하는 많은 응용프로그램에서 중요한 문제이다. 이 논문에서는 검색 공간을 감소시키고 동형 테스트의 오버헤드를 해결하기위한 서브그래프 마이닝 가중치 접근법을 제안한다. 연구의 목적은 가 중치 빈발 서브그래프 마이닝 개념이 분류 기반 그래프 모델의 컨텍스트에서 제공할 수 있는 효과를 조사하는 것이다. 가중치 서브그래프는 정점들이나 에지들 중의 일부가 다른 정점이나 에지보다 더 중요한 것으로 간주되는 그래프이다.
Mining big data has become an important problem in the graph pattern mining research area. Inorder to select useful features, recent graph mining techniques applies repeated mining of frequent subgraphs either by varying minimum supports or by dividing a graph database recursively. Frequent subgraph mining is an import task for exploratory data analysis on graph database. Frequent subgraph mining entails two significant overheads. It is concerted with candidate set generation and isomorphism checking. Finding subgraph isomorphism is an important problem in many applications which deal with data modeled asgraphs. In this work, we propose to reduced the search space and address isomorphism overheads, a weighted approach to subgraph mining. The objective of this work is to investigate the benefits that the concept of weighted frequent subgraph mining can offer in the context of the graph model based classification. Weighted subgraphs are graps where some of the vertexes or edges are considered to be more significant than others.
1. 서론 2. 관련 연구 3. 제안하는 접근방법 4. 실험 및 분석 5. 결론 References
