| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-44页 |
| 1.1 研究背景和挑战 | 第14-18页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 图数据相似性查询和分类的应用 | 第16页 |
| 1.1.3 图数据处理面临的挑战 | 第16-18页 |
| 1.2 相似性查询技术 | 第18-33页 |
| 1.2.1 集中式相似性查询技术 | 第18-26页 |
| 1.2.2 分布式相似性查询技术 | 第26-33页 |
| 1.3 分类技术 | 第33-42页 |
| 1.3.1 有监督分类技术 | 第33-40页 |
| 1.3.2 半监督分类技术 | 第40-42页 |
| 1.4 本文研究内容和结构 | 第42-44页 |
| 1.4.1 本文研究内容 | 第42-43页 |
| 1.4.2 组织结构 | 第43-44页 |
| 第2章 基于前缀过滤的大规模图相似性连接方法 | 第44-70页 |
| 2.1 研究动机 | 第44-46页 |
| 2.2 相关工作 | 第46-47页 |
| 2.2.1 集中式图相似性连接 | 第46页 |
| 2.2.2 基于MapReduce的并行相似性连接 | 第46-47页 |
| 2.3 问题定义 | 第47-48页 |
| 2.4 N-GSimJoin算法 | 第48-50页 |
| 2.4.1 GSimJoin算法 | 第48-49页 |
| 2.4.2 MapReduce框架 | 第49页 |
| 2.4.3 N-GSimJoin算法 | 第49-50页 |
| 2.5 MR-GSimJoin算法 | 第50-61页 |
| 2.5.1 MR-GSimJoin算法框架 | 第51页 |
| 2.5.2 可扩展的前缀过滤 | 第51-57页 |
| 2.5.3 去掉重复的候选结果 | 第57-58页 |
| 2.5.4 求精 | 第58-61页 |
| 2.6 实验评价 | 第61-68页 |
| 2.6.1 实验设置 | 第62-63页 |
| 2.6.2 实验结果与分析 | 第63-68页 |
| 2.7 本章小结 | 第68-70页 |
| 第3章 基于多过滤器的大规模多图相似性搜索方法 | 第70-96页 |
| 3.1 研究动机 | 第70-72页 |
| 3.2 相关工作 | 第72-73页 |
| 3.2.1 集中式图相似性搜索 | 第72-73页 |
| 3.2.2 分布式图相似性查询 | 第73页 |
| 3.3 问题定义 | 第73-75页 |
| 3.4 MGSS算法 | 第75-84页 |
| 3.4.1 MGSS算法框架 | 第75页 |
| 3.4.2 过滤 | 第75-77页 |
| 3.4.3 过滤器代价分析 | 第77-78页 |
| 3.4.4 求精 | 第78-80页 |
| 3.4.5 索引 | 第80-84页 |
| 3.5 MR-MGSS算法 | 第84-88页 |
| 3.5.1 算法基本思想和框架 | 第84-85页 |
| 3.5.2 基本的MR-MGSS算法 | 第85-86页 |
| 3.5.3 改进的MR-MGSS算法 | 第86-88页 |
| 3.6 实验评价 | 第88-95页 |
| 3.6.1 实验设置 | 第89-90页 |
| 3.6.2 实验结果和分析 | 第90-95页 |
| 3.7 本章小结 | 第95-96页 |
| 第4章 基于ELM的有监督大规模多图分类方法 | 第96-122页 |
| 4.1 研究动机 | 第96-98页 |
| 4.2 相关工作 | 第98-100页 |
| 4.2.1 有监督多图分类 | 第98页 |
| 4.2.2 基于MapReduce的频繁子图挖掘 | 第98-99页 |
| 4.2.3 基于MapReduce的超限学习机 | 第99-100页 |
| 4.3 问题定义和背景知识 | 第100-101页 |
| 4.3.1 问题定义 | 第100-101页 |
| 4.3.2 超限学习机 | 第101页 |
| 4.4 基本的ME-MGC算法 | 第101-111页 |
| 4.4.1 基本ME-MGC算法的概述 | 第102页 |
| 4.4.2 挖掘频繁子图 | 第102-105页 |
| 4.4.3 挖掘特征子图 | 第105-109页 |
| 4.4.4 建立预测模型 | 第109-111页 |
| 4.5 改进的ME-MGC算法 | 第111-114页 |
| 4.5.1 获取候选结果 | 第111-113页 |
| 4.5.2 一步计算分数 | 第113-114页 |
| 4.6 实验评价 | 第114-119页 |
| 4.6.1 实验设置 | 第114-115页 |
| 4.6.2 实验结果和分析 | 第115-119页 |
| 4.7 本章小结 | 第119-122页 |
| 第5章 基于特征子图的半监督大规模多图分类方法 | 第122-160页 |
| 5.1 研究动机 | 第122-125页 |
| 5.2 相关工作 | 第125-126页 |
| 5.2.1 图的特征子图选择 | 第125-126页 |
| 5.2.2 半监督多图分类 | 第126页 |
| 5.3 问题定义 | 第126-128页 |
| 5.4 MGSSL算法 | 第128-137页 |
| 5.4.1 基本思想和算法框架 | 第128页 |
| 5.4.2 基于有标签和无标签多图的特征子图度量 | 第128-132页 |
| 5.4.3 特征子图选择算法 | 第132-137页 |
| 5.4.4 基于有标签和无标签多图的半监督图分类算法 | 第137页 |
| 5.5 基于MapReduce的半监督大规模多图分类算法 | 第137-144页 |
| 5.5.1 MR-MGSSL算法框架 | 第137-138页 |
| 5.5.2 训练数据向量化 | 第138-144页 |
| 5.5.3 训练和预测 | 第144页 |
| 5.6 实验评价 | 第144-158页 |
| 5.6.1 实验设置 | 第144-145页 |
| 5.6.2 实验结果和分析 | 第145-158页 |
| 5.7 本章小结 | 第158-160页 |
| 第6章 总结和展望 | 第160-164页 |
| 6.1 本文工作总结 | 第160-161页 |
| 6.2 未来工作展望 | 第161-164页 |
| 参考文献 | 第164-178页 |
| 致谢 | 第178-180页 |
| 攻读博士学位期间发表的论文 | 第180-182页 |
| 科研经历 | 第182-184页 |
| 作者简介 | 第184页 |
