论文五 大图图模式匹配区间直觉模糊决策

论文五 大图图模式匹配区间直觉模糊决策

Interval-Valued Intuitionistic Fuzzy Decision with Graph Pattern in Big Graph

abstract

摘要:随着图应用的日益普及，大图中的图模式匹配(GPM)越来越受到学者的关注。具体地说，它在决策中的应用已经得到了广泛的应用，如专家发现、社会群体发现等。然而，现有的这些研究既没有考虑决策者的偏好，也没有考虑政府绩效管理过程中约束的主观性。因此，本文提出了一种具有大图图模式的区间直觉模糊决策(interval-value intuition fuzzy decision, IVIFD)方法，该方法主要由GPM和IVIFD两个步骤组成。传统的IVIFD可以最大限度地降低决策的不确定性，且仅对小数据集有效，这使得它无法应用于大数据集。本文采用GPM对搜索空间进行修剪，使得后续在决策者偏好下对IVIFD进行处理成为可能。技术上，首先，每个决策者在大图中选择最优的顶点和(或)边，计算区间直觉模糊偏好(IVIFP)，形成上下文约束进行GPM，以达到修剪大量不必要方案的目的。其次，引入概率-确定性密度函数，通过上下文的评价空间对上下文的偏好空间的双射来捕获子图的上下文偏好的主观概率，得到区间值直觉模糊集(interval-value intuition fuzzy set, IVIFS);包括区间值的正/负偏好，以及区间值的不确定性。在IVIFS的基础上，利用区间直觉模糊交叉熵和灰色关联度进行IVIFD。此外，还考虑了不同上下文之间的权重问题，并将其分为三种情况分别进行处理。最后通过数值实验和摄动分析验证了该方法的有效性和稳定性，并通过烧蚀实验验证了该方法的必要性和有效性。

01 introduction

当决策者面对复杂的决策时，通常需要考虑许多情境因素。例如，dm在选择专家团队时，不仅要考虑专家的专业知识，还要考虑专家之间的可信度，以便高效地完成目标工作。然而，由于人类思维的不确定性和模糊性，DMs很难用清晰的数字[29]来评价这些语境因素。因此，Atanassov[1]提出了**01 直觉模糊集(IFS)**的概念，它把隶属度、非隶属度和犹豫度的概念结合在一起，可以同时表示支持、反对和不确定性的证据。随后，Atanassov和Gargov[2]将IFS扩展到区间值直觉模糊集(IVIFS)。与ifs相比，ivifs在表达现实决策问题中的模糊性、不确定性和犹豫性方面更加灵活和有效。近年来，随着大数据的交互作用和复杂关系的显著增加，许多学者开始关注大图。关于大图最重要的研究领域之一是图模式匹配(GPM)[16]，[17]，[20]，它可以用于各种大图，如社会网络，生物网络，通信网络。在GPM期间，通过设计显示特定和个性化需求的模式图，可以从大图中匹配子图来满足所需的模式。这些匹配的子图将完成所需的任务，例如专家查找[6]。在数学上，给定一个包含模式图GPand数据图GD的查询，GPM算法会找到匹配GPin GD[17]的子图GM。例如，如图1所示，它是一个面向小领域专家的求职社交网络。

GDin图1(b)是一个数据图，其中每个顶点vi∈V都与专业能力上下文相关联，以说明vi的专业能力。如ρNB1=(0.6,0.8,0.5,0.7)是顶点nb1在专业能力上下文的评分。此外，每条边(vi, vj)都与社会信任语境和社会亲密语境相关联，以说明专家[19]，[26]，[34]之间的信任度和亲密社会关系。如TNB1,NC2 = (0.6,0.7,0.9,0.4)， RNB1,NC2=(0.6,0.5,0.8,0.4)分别是边缘(NB1, NC2)与社会信任背景和社会亲密背景的评分。

对于基于gpm的社交网络中的专家定位，Fan等人[6]通过支持有界图模式模拟来识别社交网络中的top-K专家。然而，这种有界模拟并没有在顶点和边上获取丰富的上下文信息在大图中考虑，以获得更好的查询结果。在[16]中，提出了多模糊约束图模式匹配(MFCGPM)方法，该方法既考虑了大图中顶点和边的上下文信息，又考虑了信息的模糊性。此外，Liu等人[16]通过定义隶属函数来匹配更多的子图来修改图模式的约束。在本文献中，虽然有一些现有的著作[16]已经将模糊性纳入GPM，但它们只考虑了上下文约束的模糊性。由于区间直觉模糊决策(IVIFD)可以最大限度地降低决策的不确定性，因此本文可以结合DM的个人偏好引入区间直觉模糊决策(IVIFP)。

本文的理论和技术贡献可以分析和总结如下:

1)我们提出的Big Graph中的IVIFD主要包括MFC-GPM和IVIFD两个步骤。传统的IVIFD可以最大限度地降低决策的不确定性，且仅对小数据集有效，这使得它无法应用于大数据集。本文采用MFC-GPM对搜索空间进行修剪，使得后续在DM优先的情况下对IVIFD进行处理成为可能。通过这两个步骤，我们不仅可以减少决策的不确定性，而且可以有效地处理决策的不确定性。

2)由于所请求的图模式匹配的每个子图可能有许多具有不同上下文信息的顶点和边，因此可以通过子图中顶点和边的上下文评级来聚合子图的上下文偏好。情境偏好的确定性作为个体满意地执行情境行为的信念程度，可被视为聚合情境评级中关于情境的主观概率。在这里,我们可以引入一个probability-certainty密度函数(PCDF)来捕获子图的上下文偏好的主观概率通过双射从评级空间上下文选择空间的背景下,导致一个IVIFS,包括区间值积极/消极的偏好,和区间值的不确定性。

3)数值实验表明，本文提出的IVIFD方法在大图上是有效的。通过对三个大型真实社会图的摄动分析和消融实验，证明了该方法的稳定性和有效性，同时也证明了在模型偏好下，IVIFD步骤的必要性。

本文的其余部分组织如下。在第二节中，对IVIFD和GPM的相关工作进行了回顾。然后，通过PCDF估计子图的上下文偏好为IVIFS。第四部分对IVIFD的相关定义进行了介绍和评价。第五节介绍了在大图中进行IVIFD的步骤，并讨论了该过程中相关的权重问题。第六节给出了灰色关联度和烧蚀实验，说明了该方法的稳定性和有效性。第七部分对全文进行了总结，并对今后的工作进行了展望。

02 related works

由于模糊数不能恰当地描述不确定性和不精确性，Zadeh[35]提出了模糊集。随后，许多扩展的理论和方法被提出，以处理不同的案例和应用。由Zadeh[36]提出的区间值模糊集(IFS)将隶属度从清晰数推广到区间数。此外，Atanassov[1]同时考虑了元素对IFS的隶属度和非隶属度。犹豫模糊集由Torra[28]以一个函数的形式定义并引入，并对域中每个元素的隶属度和非隶属度进行了定义。Atanassov和Gargov[2]将IFS扩展为IVIFS，通过区间数描述隶属度和非隶属度，为处理不确定事件和模糊信息提供了更合理的数学模型。由于模糊理论对不确定性和不精确性的恰当描述，模糊理论在决策中得到了广泛的应用。

GPM的研究可分为基于同构的GPM和基于模拟的GPM。基于同构的GPM要求匹配子图的拓扑结构必须与模式图完全相同。代表性算法有DDST算法[25]、IncBMatch算法[4]、G-Ray算法[27]、R-join算法[3]等。基于同构的GPM在对结构有严格要求的领域更为常见，如蛋白结构匹配[11]。与基于同构的GPM相比，基于模拟的GPM更灵活，更适合于检测和/或分析顶点之间的相互关系。Henzinger等人[9]提出了一种计算标记图相似关系的算法，并进一步提出了图仿真，要求数据图中的顶点与模式图中相应顶点保持后续关系。Fan等人[5]提出有界仿真，将具有相同标签的顶点与长度不大于数据图中有界长度的路径进行匹配，即数据图中的一条路径与模式图的一条边相匹配。Ma等人[21]提出了一种基于有界仿真的强仿真方法。然而，所有这些现有的作品都没有使用包含在大图数据中的顶点和/或边的上下文信息。Shemshadi等人的[24]考虑了顶点上的多标签信息，但不考虑边上的约束。刘等al.[20]提出MC-GPM，这是有界模拟的一种扩展，其中对顶点和边设置约束以匹配更精确的结果。提出了基于探索的基线算法和基于数据图压缩索引的启发式算法(HAMC)。然而，现有的MCGPM方法没有提到模糊性。使用模糊属性，Liu等[16]提出了MFC-GPM来防止匹配过程中子图的丢失。

03 子图上基于确定性的上下文偏好

由于被请求的图模式匹配的每个子图可能有许多具有不同上下文信息的顶点和边，子图的上下文偏好可以通过子图中顶点和边的上下文评级来聚合。背景偏好的确定性作为个体满意地执行背景行为的信念程度[12]，可被视为来自聚合背景评级的关于背景的主观概率。[12]和[31]后,我们可以引入一个probability-certainty密度函数(PCDF)来捕获子图的上下文偏好的主观概率通过双射评级空间的上下文的偏好空间上下文,导致一个IVIFS,包括区间值积极/消极的偏好,和区间值的不确定性。

@@[公式给出，方法给出]

A. 上下文的评级空间
在大多数现有的评级系统123中，评级通常由一系列固定的离散数字表示。例如，易趣1的评级为{ 1，0，1}。在Epinion中，每个评级都是{1，2，3，4，5}中的整数。在YouTube3，每个额定值都在{ 10，9，.。。,10}.为了方便地分析这些评级，应该将它们归一化到[0，1]的范围，然后可以将其划分为k个互斥的评级，比如r1、r2…和rk，其中0 ≤ ri-1 < ri ≤1。

B. 上下文的偏好空间

C. 语境偏好的确定性

D. 评分空间到偏好空间的双射

04 区间值直觉模糊决策

Interval-valued Intuitionistic Fuzzy Decision

为了计算两个“区间值直觉模糊集”（IVIFS）矩阵之间的距离，提出了一个概念：区间直觉模糊交叉熵（Interval-valued Intuitionistic Fuzzy cross entropy）;

为了使用一个具体数字而不是矩阵表示【子图】的符合程度 / 满意程度，提出了另一个概念：灰色关联度（grey relation degree）

灰色关联度表示决策者对备选方案Al的主观评价值相对于主观偏好值的相近程度

继而，结合权重，可以得到该子图中所有属性的 综合灰色关联度（comprehensive grey relation degree）。

这个值越大，表示这个子图矩阵和“区间值直觉模糊偏好”矩阵（IVIFP）约接近，这个子图约可取!!

05 IVIFD方法应用在大数据图上

本文提出的大图中区间直觉模糊决策方法主要包括多模糊约束图模式匹配和区间直觉模糊决策两个步骤。传统的IVIFD只对小数据集有效，这使得它不可能应用于大的图。本文采用MFC-GPM对搜索空间进行修剪，使后续处理IVIFD成为可能。该方法的形式化框架如图2所示，具体过程如下所示。

步骤1:首先，我们进行MFC-GPM，框架如图3所示，其中相同颜色的顶点表示具有相同标签的顶点。

步骤1.1:声誉系统存储顶点和edgesbA Cjwith特定上下文Cj的所有评级;同时，dm在上下文Cj下选择偏好的顶点或边(edgesbA Cjin)到大图中，这些点或边代表dm在完成特定任务时所满足的要求，从而得到IVIFP e o(ACj)。

步骤1.2:在图形模式匹配,匹配子图与上下文的约束Cjcan由{θ(1)我µ(Cj o),θ(2)我ν(Cj o),θ(3)我π(Cj o)},θj ={θ(1)j,θ(2)j,θ(3)j}参数来控制IVIFP相对论的程度。然后采用基于边拓扑的探索方法来提高边连接的效率，并采用宽度优先有界搜索来进行边匹配，而不是采用两点之间的最短路径查询。一般来说，MFC-GPM是一个连续的边缘匹配和边缘连接的过程，通过图模式匹配得到子图。

步骤2:利用上述得到的子图及其real (l∈[1,q])，对IVIFD进行处理。

Step 2.1:通过定义6，可以求出不同上下文{Cj}匹配子图{A}的IVIFS矩阵。同时得到定义9的IVIFP，定义8的改进的IVIFCE，定义10的灰色关联度。

步骤2.2:根据权值{ωj}的情况，我们有以下三种情况。

情形1:如果已知上下文cjl的权重ω jare，从定义11可以计算得到的所有子graphealand l∈[1,q]的综合灰关联度e γ∗(eAl)，然后用这些e γ∗对所有得到的子图进行排序，即e γ∗越大，子图越好。因此，可以进行IVIFD。

情形2:如果上下文Cjare的权值ω jare未知，在不损失通用性的前提下，引入定义12中的平均直觉模糊信息熵E(Cj)，可以用

06 实验

一家科技公司需要从求职社交图GDin图1(b)中找到一个专家团队来完成一个软件开发项目。这个项目需要由至少四个角色的专家组成:项目经理(PM)、业务分析师(BA)、软件架构师(SA)和软件开发人员(SD)，专家团队需要符合图1(a)所示的图形模式gp1。数据图GDstores上下文评级的专业能力C1，社会信任C2，社会亲密C3。这个示例的IVIFD过程可以如下图所示。

07 conclutions

本文提出的大图区间直觉模糊决策方法主要由MFC-GPM和IVIFD两个步骤组成。传统的IVIFD可以最大限度地降低决策的不确定性，且仅对小数据集有效，这使得它无法应用于大数据集。本文采用MFC-GPM对搜索空间进行修剪，使后续处理IVIFD成为可能。对三个大型真实社会图的扰动分析和消融实验表明，我们的IVIFD是稳定和高效的。但是，决策人员的风险偏好因素也可能导致决策结果与决策人员直觉判断之间的冲突问题，这将在后面进行讨论。此外，将我们的IVIFD应用到更多的场景中也是一个值得研究的有趣问题。

问题

01 从评价空间到偏好空间的双射是什么意思？

02 关于 interval-valued intuitionistic fuzzy set (IVIFS) 有没有中文的综述或者其他文献

03 区间偏好的群体决策

the consistency of the preference relation is a critical issue for the decision making 不一致的偏好往往会引导决策者即使面对同一决策问题也可能得到不同的决策结果

04 是怎么量化表达决策者偏好的（最后的形式是什么），如果有多个决策者的话，怎么整合各个决策者的偏好

05 权重的问题

• 优化模型
  • 权重部分未知
  • 权重完全未知