UNIVERSITA’ DEGLI STUDI DELLA CALABRIA FACOLTA’ DI INGEGNERIA Corso di Laurea Spec. in Ingegneria Informatica DATA MINING E SCOPERTA DELLA CONOSCENZA “Graph Mining” Prof. G. Manco Ing. F. Folino Francesco Gullo matr. 87675 Anno Accademico 2004/2005 Modello Transazionale Database di transazioni: TID ITEMS 1 Bread, Milk 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke Obiettivo primario: ricerca di itemset frequenti Transazione:insieme di items Itemset: collezione di items Es. {Bread, Milk, Coke} {Bread, Milk} Es: {Bread, Diaper} {Diaper, Beer} Modelli alternativi In molti ambiti gli oggetti del dataset vengono rappresentati mediante strutture dati più complesse, ad es. attraverso grafi. Transazioni Items Relazioni tra items Ricerca di itemset fequenti in un dataset di transazioni Grafi Nodi Archi Ricerca di sottografi frequenti in un dataset di grafi Applicazioni • • • • • Chimica Genetica Web Reti … Definizioni preliminari Grafo etichettato: G (V , E , L, l ) V, insieme di nodi E, insieme di archi L, insieme di etichette l : V E L , funzione che assegna etichette a nodi ed archi Gs=(Vs, Es) è sottografo di G=(V, E) sse VS V e ES E Gs=(Vs, Es) è sottografo indotto di G=(V, E) sse VS V e u, v V (GS ), (u, v) E (GS ) (u, v) E (G) G=(V,E) è connesso sse esiste un cammino per ogni coppia di nodi V Definizioni preliminari Un isomorfismo è una funzione biunivoca f : V (G ) V (G) tale che: u V (G), lG (u ) lG ( f (u )) (u, v) E (G), ( f (u ), f (v)) E (G) lG (u, v) lG ( f (u ), f (v)) Un automorfismo è un isomorfismo da G a G Un sottografo-isomorfismo da G a G’ è un isomorfismo da G a un sottografo di G’ La canonical label di un grafo G=(V,E), cl(G), è un codice unico (stringa), invariante rispetto all’ordinamento di nodi e archi del grafo Isomorfismo Proprietà: Struttura topologicamente uguale Matrici di adiacenza e incidenza Vertex invariants Punto cruciale: risoluzione del subgraph isomorphism problem Isomorfismo 1 G: a b c 2 d c 1 H: 2 b d a a 3 a 4 3 4 G e H sono isomorfi (esiste in isomorfismo ‘f’ tra G e H): 4 H: a 2 b c a 1 d f(1)=4 f(2)=1 f(3)=2 f(4)=3 3 G’ e H’ non sono isomorfi pur avendo lo stesso numero di nodi e di archi: G’: H’: Canonical Labeling Comparazione veloce tra grafi e ordinamento completo e deterministico per insiemi di grafi Canonical labels usate: Concatenazione di righe o colonne della matrice di adiacenza => non univoco! Tra tutte le possibili permutazioni dei nodi, scelta del codice maggiore o minore => |V|! permutazioni Utilizzo di vertex invariants per il partizionamento in classi di nodi => m ( p !) i i 1 permutazioni Canonical Labeling Classi: p0={v1} (label:’a’, degree:3) p1={v0,v3} (label:’a’, degree:1) p2={v2} (label:’b’, degree:1) 1! x 2! x 1! = 2 permutazioni invece di 4! = 24 permutazioni CL Definizione del problema Frequent Subgraph Discovery: Input: D={G1,…,Gn}, dataset di n grafi etichettati non orientati σ, supporto minimo (0<σ<1) Obiettivo: Trovare tutti i sottografi non orientati e connessi presenti in almeno σxn grafi del dataset D Algoritmo Apriori • largamente utilizzato nei modelli market-basket • schema base per alcuni algoritmi di ricerca di sottografi Candidate Generation: 1. L1= {items frequenti}; 2. for(k = 1; Lk≠∅; k++) do begin 3. Ck+1= candidati generati da Lk; 4. for each transazione t in D 5. join Frequency Counting false test incrementa il supporto dei candidati in Ck+1 contenuti in t; 6. Lk+1= candidati in Ck+1 con supporto ≥ min_support; 7. return {L1 ,…, Ln}; Soluzioni proposte Algoritmi analizzati: AGM FSG gSpan FFSM GASTON Parametri di performances: |D|: dimensione del dataset |T|: dimensione media transazioni |N|: numero di etichette σ : supporto minimo Studi sperimentali: dataset reali Chemical Compound Dataset (NTP, DTP, PTE ecc.) dataset sintetici Parametri: |D|, |T|, |N|, |L|, |I| D10kN4I10T20L200 AGM: caratteristiche Basato sull’algoritmo Apriori Incremento della dimensione dei sottografi frequenti mediante aggiunta di un nodo alla volta La ricerca è di sottografi indotti frequenti Si basa sulla rappresentazione dei grafi mediante matrici di adiacenza AGM: rappresentazione di grafi Matrice di adiacenza: Dato un grafo etichettato G (V (G ), E (G ), L(G ), l ) , la matrice di adiacenza X è costituita dai seguenti elementi xij: num(lb );eh (vi ,v j )E (G ) lb l (eh ) x ij 0;(vi ,v j )E(G) dove num(lb) è un intero arbitrariamente assegnato all’etichetta lb Matrice di adiacenza vertex-sorted: La matrice di adiacenza Xk di un grafo G(Xk) di dimensione k è vertex-sorted se: num(lb(vi )) num(lb(vi 1 )); i 1,2,..., k 1 Codice della matrice di adiacenza: Il codice di una matrice di adiacenza Xk, code(Xk), è dato dalla stringa risultante dalla concatenazione degli elementi sulle colonne del triangolo superiore della matrice stessa AGM: candidate generation 1. JOIN La join avviene tra grafi che differiscono per un unico nodo: elementi non vettori sottomatrice colonnainda di determinati dim. comune X(k-1) eY x1 k k Per evitare ridondanze, la join tra Xk e Yk viene fatta soltanto se code(Xk) ≤ code(Yk) =>matrice vertex sorted in ‘normal form’ =>di ogni singolo grafo generato vengono calcolate e memorizzate tutte le normal form ad esso relative AGM: candidate generation 2. ELIMINAZIONE CANDIDATI INFREQUENTI L’eliminazione di sottografi infrequenti consta di tre passi: •costruzione delle sottomatrici (mediante eliminazione di un nodo per volta) •normalization delle sottomatrici ottenute (approccio bottom-up) •verifica di frequenza, mediante ricerca di matching con l’insieme dei candidati di dim. inferiore AGM: frequency counting Poiché dello stesso grafo sono presenti più rappresentazioni, il frequency counting deve prevedere la somma dei contributi associati alla singola normal form =>meccanismo di indicizzazione basato su canonical form X C arg min code( X ) X NF ( G ) Frequency Counting: •calcolo della canonical form di ogni candidato (approccio bottom-up) •calcolo delle normal forms dei k-subgraph indotti di ogni transazione •calcolo della frequenza AGM: prestazioni Risultati su dataset sintetici: AGM: prestazioni Risultati: Andamento atteso al variare dei parametri caratteristici Scaling lineare al variare della dim. del dataset Complessità minore per grafi orientati (frequenza minore dei sottografi) Su dataset NTP (National Toxicology Program): PC 400MHz 128MB => 40 min con σ=20% 8 gg con σ=10% AGM: conclusioni Vantaggi: Semplicità di implementazione Pruning in base alla frequenza Prestazioni discrete per dataset piccoli e supporti grandi Svantaggi: La ricerca è di soli sottografi indotti Estrema ridondanza: ad ogni passo vengono mantenute e calcolate tutte le normal form di ogni singolo candidato Operazioni di join, normalization e ricostruzione canonical form molto costose Prestazioni scadenti per dimensioni medio-elevate (8gg per |D|=100.000 e minsup=10%) FSG: caratteristiche Basato sull’algoritmo Apriori Incremento della dimensione dei sottografi frequenti mediante aggiunta di un arco alla volta Ottimizzazioni per candidate generation e frequency counting Utilizzo di canonical labeling FSG: algoritmo fsg(D, σ) generazione di tutti i sottografi { frequenti di 1: F1 ← all frequent 1-subgraphs in D dimensione 1 e 2 2 2: F ← all frequent 2-subgraphs in D Candidate Generation: 3: k ← 3 Frequency Counting k-1 4: while F ≠ Ø do generazione sottografi candidati di dim. k, 5: Ck ← fsg-gen(Fk-1) mediante fusione dei k k 6: for each candidate G C do sottografi frequenti k di dim. k-1 7: G .count ← 0 8: for each transaction T D do 9: if Gk is included in T then 10: Gk.count ← Gk.count + 1 11: Fk ← {Gk E Ck | Gk.count ≥ σ|D|} 12: k ← k + 1 13: return {F1, F2,…, Fk-2} selezione dei candidati che } soddisfano il vincolo di supporto FSG: candidate generation La join avviene tra sottografi di dim. k che condividono lo stesso (k-1)-subgraph (core) il risultato potrebbe non essere un unico (k+1)-subgraph: (3). Cores multipli (2). Automorfismi multipli del core (1). Nodo con uguale etichetta: FSG: candidate generation fsg-gen(Fk) { } 1: Ck+1 ← Ø 2: for each pair of (Gik,Gjk) Fk, i ≤ j and cl(Gik) ≤ cl(Gjk) do 3: Hk-1 ← { Hk-1| Hk-1 is a core shared by Gik and Gjk } 4: for each core Hk-1 E Hk-1 do 5: { Bk+1 is a set of tentative candidates } 6: Bk+1 ← fsg-join(Gik,Gjk, Hk-1) 7: for each Gjk+1 E Bk+1 do 8: { test if the downward closure property holds } 9: flag ← true 10: for each edge el Gjk+1 do 11: Hl k ← Gjk+1- el 12: if Hl k is connected and Hl k Fk then 13: flag ← false generazione tutti i 14: break generazione di tutti di i possibili core condivisi per 15: if flag = true then candidati mediante coppia di di fusione ogni di ogni coppia 16: Ck+1 ← Ck+1 U {Gjk+1} sottografi frequenti false test sottografi frequenti, per 17: return Ck+1 ogni core condiviso FSG: candidate generation fsg-join(G1k, G2k, Hk-1) { 1: e1 ← the edge appears only in G1k, not in Hk-1 2: e2 ← the edge appears only in G2k, not in Hk-1 3: M ← generate all automorphisms of Hk-1 4: Bk+1 = Ø 5: for each automorphism ψ M do 6: Bk+1 ← Bk+1 U {all possible candidates of size k+1 } 7: return Bk+1 created from a set of e1, e2, Hk-1 and ψ} generazione dei candidati (max. 2) per ogni automorfismo del core FSG: candidate generation 3 steps computazionalmente costosi: generazione cores (e automorfismi) join eliminazione candidati infrequenti Ottimizzazioni: ogni k-subgraph frequente mantiene le canonical label dei suoi (k-1)-subgraph frequenti Inverted indexing scheme caching degli automorfismi dei cores precedenti uso di canonical labeling per la verifica di ridondanze e sottografi infrequenti (test veloci e ricerca binaria) FSG: frequency counting Ad ogni passo, nxmk subgraph isomorphism problem (n=|D|, mk=# di candidati al passo k) Il costo computazionale è ridotto dall’uso di transaction identifier (TID) lists: ogni sottografo frequente mantiene la lista di TID delle transazioni nelle quali è contenuto per il calcolo della frequenza di un (k+1)subgraph si considera l’intersezione delle liste di TID dei suoi k-subgraph frequenti se la dim. della lista è minore del supporto minimo, il candidato viene scartato, altrimenti viene valutata la frequenza sulle sole transazioni della lista FSG: canonical labeling Il canonical labeling rappresenta un punto critico dell’algoritmo. Viene massicciamente impiegato in: • Test di ridondanza (candidati già generati durante la join) • False test per la verifica di sottografi frequenti Per questioni di efficienza, l’algoritmo di CL utilizzato fa uso di vertex invariants, prevedendone tre versioni differenti: • Partition ordering • Neighbor list • Iterative partitioning FSG: prestazioni Risultati su dataset PTE (Predictive Toxicology Evaluation Challenge): • 3 ordini di grandezza tra le versioni + e – ottimizzate • Inverted index: 2-4 • Partition ordering: 5-15 • Neighbor list: 2 ordini di grandezza • Iterative partitioning: 1 ordine di grandezza • Tempi notevolmente inferiori di quelli di AGM FSG: prestazioni Risultati su dataset sintetici: Sensibilità alla struttura del grafo (|D|, |L| costanti; |T|, |I|, |N| variabili; σ=2%) |T| e |I| grandi => grande varianza |N| grande => complessità minore Motivazione: automorfismi in candidate generation, subgraph isomorphism in frequency counting e CL Valore di regime in relazione ai valori di |T| e |I| |T| grande => complessità maggiore Motivazione: presenza variabile di pattern regolari Motivazione: frequency counting e CL Crescita più lenta se |N| grande |I| grande => complessità maggiore Motivazione: candidate generation e CL Crescita più lenta se |N| grande e/o |T| piccolo Influenza indiretta di σ e |T| FSG: prestazioni Scalabilità sulla dimensione del dataset Analisi al variare di |D| e |T| => scalabilità lineare FSG: conclusioni Vantaggi: Ricerca di sottografi generali Numerose ottimizzazioni Prestazioni molto superiori ad AGM Svantaggi: Candidate generation comunque costosa nonostante ottimizzazioni (false test e join ridondante) Complessità spaziale elevata (a causa di BFS) GSPAN: caratteristiche Depth-first search invece di breadth-first search Incremento della dimensione dei sottografi frequenti mediante aggiunta di un arco alla volta Lo spazio di ricerca è un albero gerarchicamente basato sul DFS code Join sostituita dalla meno onerosa extension e false test eliminato GSPAN: DFS code • DFS tree • DFS subscripting • Rightmost vertex e rightmost path • Forward edge set : • Backward edge set : GSPAN: DFS code Ordinamenti tra archi e1=(vi1,vj1), e2=(vi2,vj2): • ordinamento forward: sse j1<j2 • ordinamento backward: sse i1<i2 oppure i1=i2 Λ j1<j2 • ordinamento forward-backward: oppure • ordinamento totale: È utilizzato nella definizione del DFS code per un grafo G a partire da un DFS tree T sse oppure sse GSPAN: DFS code Ordinamento lessicografico DFS: Dati Z={code(G,T)|T è un DFS tree di G} α=code(Gα ,Tα)=(a0,a1,…,am), β=code(Gβ ,Tβ)=(b0,b1,…,bn) Eα,f,Eα,b, Eβ,f,Eβ,b, forward edge set e backward edge set per Tα e Tβ at=(ia,ja,lia,l(ia,ja),lja) e bt=(ib,jb,lib,l(ib,jb),ljb) α ≤ β sse: Il minimum DFS code di un grafo G è il DFS code minimo in base all’ordinamento lessicografico DFS e costituisce la canonical label di G GSPAN: spazio di ricerca Lo spazio di ricerca è rappresentato dal DFS code tree Relazione padre P = (a0, a1,…,am) figlio C = (a0, a1,…,am, b) Relazione tra fratelli: ordinamento lessicografico basato sul DFS code pruning L’operazione di extension per la costruzione dei figli di ogni nodo consta nell’aggiunta di archi per i soli nodi del rightmost path GSPAN: spazio di ricerca Teoremi: DFS Code Tree Covering DFS Code Growth DFS Code Pruning Il DFS code tree contiene i minimum DFS code di tutti i grafi (completa enumerazione) Il minimum DFS code di un grafo G, durante la DFS, è incontrato prima di qualsiasi altro DFS code non minimum rappresentante G La discendenza di un nodo con DFS code non minimum non darà vita ad alcun nodo con DFS code minimum GSPAN: algoritmo GraphSet_Projection( { ) generazione di tutti eliminazione archi e gli nodi archi a partire infrequenti dai grafi dall’insieme di etichette del dataset GS frequenti e salvataggio dei soli frequenti } salvataggio degli ID di DFS ricorsiva nel di in ogni transazione riduzione di ogni transazione sottoalbero aventel’arco come e cui eliminazione compare GS mediante root l’arco s dell’arco appena analizzato GSPAN: depth first search Subgraph_Mining( { ) pruning frequency counting } Enumerate(s) { } continuazione ricorsiva calcolo tutte le occorrenze di della DFS per i di soli calcolodi della frequenza ogni s nelle transazioni in cui è sottografi frequenti figlio di s e salvataggio contenuto; il subgraph delle transazioni in cui è isomorphism problem è presente risolto con approccio backtracking GSPAN: ottimizzazioni Pruning Minimum DFS code pre-pruning post-pruning generazione di tutti i DFS code (automorfismi) confronti parziali Children generation prima del counting (possibilità di frequenza 0) durante il counting (frequenza almeno pari ad 1) GSPAN: prestazioni Risultati su dataset sintetici: Complessità 6-30 volte inferiore di FSG (su vari dataset generati) Meno sensibile di FSG a valori piccoli del parametro |N| (numero di etichette) Comportamento molto buono su grafi grandi e densi (15-45 volte migliore di FSG) Scalabilità lineare nella dimensione del dataset Risultati su dataset PTE: Speedup tra gSpan e FSG molto elevato (sottostrutture ad albero e poche etichette agli archi) Computazione successful anche per supporti molto piccoli (1.5%) GSPAN: conclusioni Vantaggi: Join in candidate generation sostituita da extension (minore complessità e ridondanze) Eliminazione di false test in candidate generation Complessità spaziale ridotta (grazie a DFS) Riduzione delle transazioni del dataset ad ogni macropasso Prestazioni in generale superiori ad FSG Svantaggi: Necessità di pruning test per la possibilità di DFS code duplicati La risoluzione di subgraph isomorphism problems anche se in quantità ridotta è comunque presente FFSM: caratteristiche Depth-first search Incremento della dimensione dei sottografi frequenti mediante aggiunta di un arco alla volta Lo spazio di ricerca è un albero gerarchicamente basato sulle suboptimal CAM Operazioni efficienti di join e extension per la generazione dei figli di ogni nodo dell’albero di ricerca FFSM: CAM Ogni grafo viene rappresentato mediante la propria matrice di adiacenza: Codice di una matrice di adiacenza M (code(M)) Canonical Form (CF) Canonical Adjacency Matrix (CAM) Concatenazione delle righe del triangolo inferiore della matrice M Massimo tra tutti i possibili codici (ordinamento lessicografico) Matrice di adiacenza che dà origine alla CF FFSM: CAM code(M1)=“axbxyb0yyb” ≥ code(M2)=“axb0ybxyyb” ≥ code(M3)=“bybyyb0xxa” FFSM: CAM Ogni codice stabilisce un ordinamento tra gli archi del grafo in questione Maximal Proper Submatrix: matrice ottenuta dall’eliminazione dell’ultimo arco nell’ordinamento CF di un grafo è sempre ≥ della CF di un suo sottografo Maximal proper submatrix di una CAM rappresenta un sottografo connesso Maximal proper submatrix di una CAM è CAM FFSM: CAM tree Il CAM tree di un grafo G contiene tutte le CAM dei sottografi connessi di G • la root è la matrice vuota • ogni nodo è un sottografo distinto di G, rappresentato dalla sua CAM • il padre di un nodo è dato dalla maximal proper submatrix del nodo stesso FFSM: CAM tree La generazione del CAM tree per un grafo G viene effettuata applicando ad ogni nodo operazioni efficienti di join e extension: FFSM-join e FFSM-extension Caratteristiche: FFSM-join genera ogni distinta CAM una volta sola FFSM-join genera al massimo due CAM FFSM-extension genera tutte le CAM mediante aggiunta di un arco in un unico punto Sostanziale riduzione di candidati ridondanti! FFSM: FFSM-join La join tra due matrici A(mxm) e B(nxn) che condividono la stessa maximal proper submatrix consta di tre casi: A e B matrici inner Per evitare Aridondanze la join matrice inner tra due matrici A e B viene B matrice outer effettuata soltanto se code(A)≥code(B), tranne che per il caso 3b A e B matrici outer FFSM: FFSM-extension L’extension viene effettuata considerando un unico punto di scelta: viene aggiunto un arco all’ultimo nodo del grafo in considerazione verso un ulteriore nodo aggiuntivo. versione non ottimizzata! FFSM: spazio di ricerca Il CAM tree è un albero non completo Per garantire la completezza c’è bisogno di operazioni di join tra CAM e suboptimal CAM Suboptimal CAM tree Matrici rappresentanti sottografi validi ottenute a partire da suboptimal CAM FFSM: algoritmo generazione figli mediante generazione figli mediante FFSM-extension FFSM-join insieme di tutte le suboptimal CAM del livello superiore frequency counting (la versione ottimizzata fa uso di embedding list) FFSM: embedding list Embedding di una matrice di adiacenza A in un grafo G Matching di nodi tra A e un sottografo di G (subgraph isomorphism) Embedding set di A Insieme di tutti gli embedding di A in un dataset D Il proprio embedding set viene mantenuto da ogni nodo e trasmesso ai figli durante le operazioni di join ed extension La frequenza di un sottografo nel dataset è pari al numero di grafi differenti presenti nel proprio embedding set => nessun subgraph isomorphism problem da risolvere! FFSM: embedding list FFSM-join: A=join{P,Q} OA, OP, OQ embedding set di A, P, Q rispettivamente 1): OA = OP ∩ OQ 2): OA = {L | L = u1,…,un-1,un, L є OQ, L’ = u1,…,un-1 є OP} 3a): OA = OP ∩ OQ 3b): OA = {L | L = u1,…,un, L’ = u1,…,un-2,un-1 є OP, L’’ = u1,…,un-2,un є OQ} FFSM-extension: riduzione dei possibili nodi da considerare FFSM: prestazioni Risultati su dataset reali: PTE DTP AIDS (CA) DTP AIDS (CM) FFSM: prestazioni Risultati su dataset sintetici: σ variabile |T| variabile |N| variabile FFSM: conclusioni Vantaggi: Candidate generation molto efficiente grazie alle operazioni di FFSM-join e FFSM-extension (massiccia diminuzione di ridondanze) Nessuna risoluzione di subgraph isomorphism problem nel frequency counting Complessità spaziale ridotta (grazie a DFS) Prestazioni in generale superiori rispetto a gSpan Svantaggi: Canonical labeling semplice ma costoso Necessità di CAM test per ogni matrice, ad ogni livello GASTON: caratteristiche Mining differenziato per differenti sottostrutture (cammini, alberi, grafi) Operazioni efficienti per l’enumerazione delle singole sottostrutture Depth-first search Utilizzo di embedding list GASTON: spazio di ricerca Lo spazio di ricerca è partizionato in base alla sottostruttura da considerare: Paths Free Trees Cyclic Graphs cycle closing refinement Ordinamento parziale tra sottostrutture di un grafo node refinement node refinement GASTON: path enumeration (v1e1v2…vn-1en-1vn) Possibili ridondanze dovute all’orientamento! Definizione univoca del predecessore di ogni path string nell’albero di enumerazione: (v1,e1) > (vn,en-1) => padre: (v2…vn-1en-1vn) comparazione lessicografica tra (v1,e1) e (vn,en-1) (v1,e1) < (vn,en-1) => padre: (v1e1v2…vn-1) path simmetrico =>padre:indifferente! (v1,e1)=(vn,en-1) (v1e1v2…vn-1)<(vnen-1vn-1…v2) =>padre:(v1e1v2…vn-1) (vnen-1vn-1…v2)< (v1e1v2…vn-1) =>padre:(v2…vn-1en-1vn) GASTON: path enumeration Algoritmo di refinement: (v1e1v2…vn-1en-1vn): total simmetry (v1e1v2…vn-1) : front simmetry (v2…vn-1en-1vn): back simmetry 0 => stringa simmetrica -1 => inversa minore +1 => corrente minore total simmetry=0 => tutti i refinements possibili (l(v’),l(e’)) > (l(v1),l(e1)) altrimenti, solo determinati (l(v’),l(e’)) possibili (l(v’),l(e’)) = (l(v1),l(e1)), se back simmetry ≥ 0 total simmetry e front simmetry sono propagate da padre in figlio in tempo costante, back simmetry in tempo lineare GASTON: free tree enumeration path P di lunghezza massima in un free tree T: P={v1,…vm} m dispari => centred tree m pari => bicentred tree Free tree enumeration: • path corrispondenti alla backbone • free tree con la stessa backbone • backbone constraints enumerazione univoca e completa! GASTON: graph enumeration L’enumeration di grafi ha luogo considerando unicamente cycle closing refinements, senza che ciò infici la completezza dell’albero di ricerca Utilizzo di Nauty normalization per il labeling dei grafi Hashing dei grafi generati ad ogni passo Il processo di enumeration per grafi consta di tre passi: 1. 2. 3. Generazione di un grafo per ogni cycle close refinement lecito Ricostruzione della canonical form (mediante Nauty normalization) dei grafi generati Test di ridondanza mediante confronto con i grafi già memorizzati nelle strutture hash GASTON: frequency counting Utilizzo di embedding list, organizzate efficientemente per salvaguardare lo spazio di memorizzazione: Per un contiene node Ogni riga La frequenza di un Ogni Per un embedding cycle closing puòil Ogni tupla contiene refinement la tupla l’embedding list di candidato è data dal refinement essere ricostruito la tupla riferimento a una è costituita da: antenato del i numero di agrafi ripercorrendo èun costituita ritroso da: tupla dell’embedding t.parent, t.graph, grafo in questione differenti presenti puntatori t.parent listt.parent del padre t.node nell’embedding list GASTON: frequency counting Ad ogni passo dell’algoritmo, oltre all’embedding list della struttura corrente, viene mantenuto l’intero legs set ad essa relativo insieme di embedding list di ognuna delle possibili sottostrutture ottenibili mediante refinement dalla struttura corrente In particolare, oltre alle legs relative a refinement leciti, viene tenuta traccia anche di tutte le altre (tranne che per l’enumerazione dei free tree). Ciò consente alle operazioni di join e extension di generare correttamente l’embedding list delle strutture successivamente generate GASTON: algoritmo chiamata DFS a costruzione delle seconda della costruzione del nuovo sottostrutture figlie sottostruttura legs set a seconda mediantecreata applicazione del refinement dei refinement del applicato legs set L GASTON: prestazioni Risultati su artificial tree datasets GASTON: prestazioni Risultati su dataset reali: DTP AIDS DTP HTCLS DTP OSSERVAZIONE: Nei vari esperimenti, il 90% circa delle sottostrutture frequenti scoperte risultavano essere free tree… => l’applicazione del quickstart principle porta notevoli benefici! GASTON: conclusioni Vantaggi: Mining molto efficiente di sottostrutture particolari, sfruttato anche nel mining di grafi generali Nessuna risoluzione di subgraph isomorphism problem grazie alle embedding list Labeling molto efficiente (Nauty normalisation) Complessità spaziale ridotta (grazie a DFS e all’efficiente organizzazione delle embedding list) Prestazioni in generale superiori rispetto a tutti gli altri algoritmi di graph mining analizzati Svantaggi: Test di ridondanza necessario, anche se efficiente ed effettuato per le sole sottostrutture a grafo CONCLUSIONI TIPO CANONICAL RICERCA LABELING CANDIDATE GENERATION OTTIM. TEST DI FREQUENCY RIDONDANZA COUNTING APRIORI join Normalization + APRIORI false test - BFS Matrice di Adiacenza (vertex invariants) APRIORI join (ottimizzata) CL test + APRIORI false test TID list GSPAN DFS DFS code DFS extension Minimum DFS test TID list FFSM DFS Matrice di Adiacenza FFSM join & FFSM extension CAM test Embedding list PATH DFS - Node refinement - Embedding list TREE DFS - Node refinement - Embedding list GRAPH DFS Nauty normalization Cycle Closing refinement Nauty norm. hashing test Embedding list BFS Matrice di Adiacenza FSG AGM GASTON