时态网络中图模式关联规则的发现

在时间图中发现实体之间的规律对于许多现实世界的应用（例如，社交推荐、紧急事件检测和网络攻击事件检测）至关重要。本文提出了时态图关联规则（TGAR），通过引入唯一的时态信息和约束条件，扩展了静态图中传统的图模式关联规则。我们引入了质量指标（如支持、信心和多样化），以表征有用和多样化的有意义的TGAR。此外，所提出的支持度量是替代度量的上限，使我们能够保证模式的超集。我们根据TGAR的最大出现次数扩展了传统的置信度度量。多样化得分在趣味性和多样性之间取得了平衡。尽管这个问题是NP难的，但我们开发了一种有效的TGAR发现算法，该算法集成了TGAR的生成和TGAR的选择，并表明在时间图上挖掘TGAR是可行的。我们提出了修剪策略来过滤支持率低或无法尽早达到最高的TGAR。此外，我们设计了一个辅助数据结构来修剪TGAR生成过程中不满足约束的TGAR，以避免在搜索空间中对每个扩展进行重复的子图匹配。我们通过实验验证了我们的算法在现实应用中从时间图中发现多样化的top-$k$TGAR的有效性、效率和可扩展性。