图算法（二十五）：子图匹配（Subgraph Matching）【基本的图查询操作，意在发掘图重要的子结构】【适用场景：社交网络分析、群体发现、异常检测】【在一个给定的大图里找到与给定小图同构的子图】

已于 2022-05-29 11:57:52 修改
阅读量4.1k 收藏 1
点赞数
分类专栏： 图算法 文章标签： 算法 子图匹配
于 2022-05-28 19:33:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013250861/article/details/125021971
版权

一、概述

子图匹配（subgraph matching）算法的目的是在一个给定的大图里面找到与一个给定小图同构的子图，这是一种基本的图查询操作，意在发掘图重要的子结构。

适用场景：子图匹配（subgraph matching）算法适用于社交网络分析、生物信息学、交通运输、群体发现、异常检测等领域。

二、

三、

参考资料：
子图匹配（Subgraph Matching）







u013250861
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GraphLite 实现子图匹配
Kalikali的专栏
12-13 5116
同步图运算模型 许多大数据都以图的形式存在，非图结构的大数据也通常会被转化为图数据结构进行分析。对于大型图数据的计算，一些常见的处理软件如Neo4j等采用的是遍历的方法，另一些采用的如Giraph、Pregel等则采用的是同步图运算的方式。 后者采用的同步图运算模型主要有两个特点，一是BSP(Bulk Synchronous Processing)模型，即块同步计算模型，其主要思想是将全部计算分为...
subgraph-matching
04-19
苏马 用于子图匹配的命令行实用程序。 要将suma用作库，请查看板条箱。 这是正在进行的工作，并且不稳定。 该项目的灵感来自用C ++编写的 。 相应的已在SIGMOD 2020上发表。 执照 麻省理工学院
图论学习：二分图匹配
qq_43597227的博客
07-23 513
1.二分图中的相关概念： 1.二分图定理：无向图G为二分图的充分必要条件是，G至少有两个顶点,且其所有回路的长度均为偶数。 2.匹配的概念：
图匹配算法
无敌三脚猫的专栏
06-02 452
图匹配算法
CS224W图机器学习笔记12-motif和子图
test
08-14 2018
图神经网络 课程和PPT主页 Subgraphs and Motifs 子图（Subgraphs）是图的一部分，可理解子图为积木（building blocks），由子图构建出整个图。在很多领域，很多重复出现的的子图决定了整图的功能。下面给出一个生物网络中的例子，若图中出现Carboxyl这个子图结构，那么整个蛋白质将会有酸味这个性质。 有两种方式可以形式化的定义子图：Node-induced subgraph，Edge-induced subgraph(不常使用)。 在不同的领域和不同的场景下使用不
数据结构与算法——29. 图（Graph）的概念及应用
花城的博客
12-08 2358
文章目录一、图（Graph）的概念1. 图的相关术语2. 图的定义二、图抽象数据类型（ADT Graph）1. 邻接矩阵实现图2. 邻接列表实现图3. python代码实现三、图的应用：词梯问题1. 构建单词关系图2. python代码实现 一、图（Graph）的概念 图Graph是比树更为一般的结构，也是由节点和边构成。而实际上树是一种具有特殊性质的图。 图可以用来表示现实世界中很多事物：道路交通系统、航班线路、互联网连接、或者是大学中课程的先修次序。 一旦我们对图相关问题进行了准确的描述，就可以采用处
数据结构与算法 —— 图 (Graph)的基本介绍
‘’
04-20 1352
目录图的定义有向图和无向图图的概念图的存储图的基本操作图（Graph）是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)- G表示一个图，- V（Vertex）表示顶点的有穷非空集合，- E表示图中边（Edge）的集合。
基于知识图谱的子图检索——KBQA的一种实现
turned的博客
09-08 8215
基于知识图谱的子图检索——KBQA的一种实现 本文是对论文《Answering Natural Language Questions by Subgraph Matching over Knowledge Graphs》的一些个人解读，如有错误，多谢指正。 介绍 KBQA 即基于知识图谱的问答系统，一般的实现为： 将已有的知识转化为结构化的数据，一般为RDF格式的数据，即三元组<s...
OpenCV(图像处理)-图片搜索
羊羊羊
07-11 3727
openCV图片搜索
图像处理：局部描述子SIFT算法
m0_62919535的博客
10-27 5292
SIFT，即尺度不变特征变换，一种局部特征描述子，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT特征包括兴趣点检测器和描述子。SIFT描述子具有非常强的稳健性，这在很大程度上也是SIFT特征能够成功和流行的主要原因。自从SIFT出现后，许多与他本质上使用相同描述子的方法也相继出现。现在，SIFT描述符常和许多不同的兴趣点检测器相结合，有时甚至在整幅图像上密集使用。SIFT特征对于尺度、旋转和亮度都具有不变性，因此，它可以用于三维视角和噪声的可靠匹配。
Python 图算法系列5-使用Py2neo操作neo4j
yukai08008的博客
09-29 1531
说明 Neo4j是一个高性能的,NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性、企业级的数据库的所有好处。 Neo4j因其嵌入式、高性能、轻量级等优势，越来越受到关注. 关于Neo
fastPFP:fastPFP近似子图匹配算法的实现，如http中所述
05-18
快速PFP fastPFP近似子图匹配算法的实现，如
Exact Subgraph Matching Algorithm:依赖图的精确子图匹配算法-开源
04-26
子图匹配问题（子图同构）是NP完全的。 我们使用回溯方法为依赖图设计了一个简单的精确子图匹配（ESM）算法。 最坏情况下的算法总复杂度为O（n ^ 2 * k ^ n），其中n是顶点数，k是顶点度。 我们已经证明了我们的算法在三种生物医学关系和事件提取应用程序中的成功使用：BioNLP 2011在事件提取，蛋白质-残基关联检测和蛋白质-蛋白质相互作用识别方面的共同任务。 该Java实现实现了我们的ESM算法。 请参阅README文件：https://sourceforge.net/projects/esmalgorithm/files/如果您使用我们的ESM实现来支持学术研究，请引用以下文件：Liu Haibin，Vlado Keselj和Christian Blouin。 探索用于从文学中提取生物事件的子图匹配方法。 计算智能，2013年。
python调用networkx库实现二分图最大权匹配
zzzzzzzcccc的博客
08-03 374
运行结果为： {(1, 'A'), ('C', 4)}
子图同构进阶版-advanced subgraph matching
wrk226的博客
09-26 219
local candidate reduction 在之前的compute candidate的基础上增加一个profile选项，profile包含S中每个node的neighbour所拥有的label(可以重复)，按照字母顺序排序，在判断candidate时考虑是否G中对应的node(v)的profile包含S中node(u)的profile 伪代码： candidate_node=list...
【论文阅读】D2Match: Leveraging Deep Learning and Degeneracy for Subgraph Matching
最新发布
malo12的博客
11-29 1147
子图匹配是基于图的应用程序的基本组成部分，由于其高阶组合特性而具有挑战性。现有的研究通常通过组合优化或基于学习的方法来解决它。然而，它们存在指数计算成本或搜索匹配没有理论保证的问题。在本文中，我们利用深度学习和简并性的效率进行子图匹配来开发d2匹配。更具体地说，我们首先证明了子图匹配可以退化为子树匹配，然后等价于在一个二部图上找到一个完美的匹配。然后，我们可以通过在图神经网络上内置的树状结构聚合机制来实现线性时间复杂度的实现。此外，还可以很容易地在D2匹配中加入圆的结构和节点属性，以提高匹配性能。
【图神经网络】图神经网络中的子图
sxl的博客
09-08 1046
ICLR’22| 将局部子图融入消息传递提升GNN模型
图像处理中的模板匹配c++实现
热门推荐
wu_lian_nan的博客
08-16 1万+
一、理论基础 基于相关的模板匹配技术可直接用于在一幅图像中，寻找某种子图像模式。对于大小为MxN的图像f(x,y)和大小为JxK的子图像模式w(x,y),f与w的相关可表示为：其种，x=0,1,2,…N-K,y=0,1,2,…M-J。此处 的目的是寻找匹配而不是对f(x,y)进行滤波操作，因此w的原点被设置在子图像的左上角， 并且式(11-3) 给出的形式也完全适用于J和K 为偶数的情况。 计算
我对KM算法的理解
茅屋
12-26 2333
一般对KM算法的描述，基本上可以概括成以下几个步骤： （1） 初始化可行标杆 （2） 用匈牙利算法寻找完备匹配 （3） 若未找到完备匹配则修改可行标杆 （4） 重复（2）（3）直到找到相等子图的完备匹配 关于该算法的流程及实施，网上有很多介绍，基本上都是围绕可行标杆如何修改而进行的讨论，至于原理并没有给出深入的探讨。 KM算法是用于寻找带权二分图最佳匹配的算法。 二分图是...
Kernighan-Lin图分割算法在Python中的实现
05-11
Kernighan-Lin(KL)图分割算法是一种基于贪心的图分割算法，它的主要思想是将一个大的图分割成两个大小相等的子图，同时最小化子图之间的连接权重。这个算法的实现比较简单，下面是Python实现代码： ```python import random def kl_partition(graph): # 初始化两个子图 subgraph1 = set(random.sample(graph.nodes(), len(graph)//2)) subgraph2 = set(graph.nodes()) - subgraph1 # 计算每个节点的收益 gains = {node: sum(graph[node][neighbor]['weight'] for neighbor in graph.neighbors(node) if neighbor in subgraph2) - sum(graph[node][neighbor]['weight'] for neighbor in graph.neighbors(node) if neighbor in subgraph1) for node in graph.nodes()} # 交替移动节点 while True: max_gain = 0 moved_node = None for node in gains: if gains[node] > max_gain: max_gain = gains[node] moved_node = node if moved_node is None: break if moved_node in subgraph1: subgraph1.remove(moved_node) subgraph2.add(moved_node) else: subgraph2.remove(moved_node) subgraph1.add(moved_node) for neighbor in graph.neighbors(moved_node): if neighbor in subgraph1: gains[neighbor] -= 2 * graph[moved_node][neighbor]['weight'] elif neighbor in subgraph2: gains[neighbor] += 2 * graph[moved_node][neighbor]['weight'] return subgraph1, subgraph2 ``` 以上代码中，`graph` 是一个 NetworkX 图对象，它表示待分割的图。该函数首先随机初始化两个子图，然后计算每个节点的收益，收益是指将该节点从一个子图移动到另一个子图时，连接权重的变化量。接下来，算法会交替移动节点，每次移动收益最大的节点，直到无法继续移动为止。最终返回两个子图。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值