摘要 | 第5-7页 |
Abstract | 第7-9页 |
创新成果自评表 | 第10-15页 |
第1章 绪论 | 第15-31页 |
1.1 研究背景、目的和意义 | 第15-16页 |
1.2 国内外的研究现状 | 第16-26页 |
1.2.1 数据空间建模相关技术的研究现状 | 第17-19页 |
1.2.2 实体划分相关技术的研究现状 | 第19-22页 |
1.2.3 异构数据索引相关技术的研究现状 | 第22-24页 |
1.2.4 异构数据查询相关技术的研究现状 | 第24-26页 |
1.3 论文的研究内容 | 第26-29页 |
1.4 论文的组织结构 | 第29页 |
1.5 本章小结 | 第29-31页 |
第2章 基于上下文感知和复杂语义关联的数据空间模型 | 第31-51页 |
2.1 引言 | 第31-32页 |
2.2 研究动机与问题提出 | 第32-33页 |
2.3 上下文感知的复杂语义关联网络模型 | 第33-42页 |
2.3.1 模型概述 | 第34页 |
2.3.2 上下文感知的异构数据表示 | 第34-37页 |
2.3.3 语义关系表示 | 第37-40页 |
2.3.4 语义关联推理 | 第40-42页 |
2.4 实验与结果分析 | 第42-48页 |
2.4.1 实验设置 | 第42-44页 |
2.4.2 效果评估 | 第44-46页 |
2.4.3 效率评估 | 第46-48页 |
2.5 本章小结 | 第48-51页 |
第3章 基于演化K-MEANS的数据空间实体划分方法 | 第51-73页 |
3.1 引言 | 第51-52页 |
3.2 问题提出 | 第52-54页 |
3.2.1 基本概念 | 第52-53页 |
3.2.2 问题定义 | 第53-54页 |
3.3 基于演化K-Means的数据空间实体分类方法 | 第54-66页 |
3.3.1 演化的K-Means聚类框架 | 第54-59页 |
3.3.2 实体相似性度量 | 第59-61页 |
3.3.3 演化的K-Means聚类算法 | 第61-65页 |
3.3.4 扩展 | 第65-66页 |
3.4 实验与结果分析 | 第66-72页 |
3.4.1 实验设置 | 第66-67页 |
3.4.2 效果与可扩展性评估 | 第67-72页 |
3.5 本章小结 | 第72-73页 |
第4章 基于负载均衡和查询日志的数据空间多维索引方法 | 第73-95页 |
4.1 引言 | 第73-74页 |
4.2 背景知识与问题提出 | 第74-77页 |
4.2.1 背景知识 | 第74-76页 |
4.2.2 问题提出 | 第76-77页 |
4.3 数据空间多维索引 | 第77-88页 |
4.3.1 基于负载均衡与超图划分的垂直划分索引 | 第77-83页 |
4.3.2 基于负载均衡与超图划分的水平划分索引 | 第83-86页 |
4.3.3 多维索引 | 第86-88页 |
4.4 实验与结果分析 | 第88-93页 |
4.4.1 实验设置 | 第88-89页 |
4.4.2 效果评估 | 第89-90页 |
4.4.3 性能评估 | 第90-92页 |
4.4.4 扩展性评估 | 第92-93页 |
4.5 本章小结 | 第93-95页 |
第5章 面向数据空间的TOP-K近似子图查询方法 | 第95-121页 |
5.1 引言 | 第95-96页 |
5.2 面向数据空间的top-k近似子图查询问题 | 第96-100页 |
5.2.1 基本概念 | 第96-100页 |
5.2.2 问题定义 | 第100页 |
5.3 面向数据空间的top-k近似子图查询方法 | 第100-113页 |
5.3.1 基于邻域结构的图相似性度量 | 第101-106页 |
5.3.2 基于邻域结构的匹配顶点剪枝算法 | 第106-108页 |
5.3.3 Top-k近似子图搜索算法 | 第108-113页 |
5.4 实验与结果分析 | 第113-119页 |
5.4.1 实验设置 | 第113-114页 |
5.4.2 效果评估 | 第114-116页 |
5.4.3 效率评估 | 第116-118页 |
5.4.4 可扩展性评估 | 第118-119页 |
5.5 本章小结 | 第119-121页 |
结论 | 第121-125页 |
参考文献 | 第125-139页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第139-141页 |
致谢 | 第141页 |