그래프는 집합, 시퀀스, 격자 및 트리보다 더 일반적인 메커니즘 클래스를 정의합니다. 인터넷과 소셜 네트워크, 데이터 네트워크, 생물학적 웹, 생물 정보학, 화학 정보학, 컴퓨터 비전, 멀티미디어 및 콘텐츠 검색에 광범위한 그래프 응용 프로그램이 있습니다. 마이닝 그래프 및 네트워크의 적용은 다음과 같습니다 -
그래프 패턴 마이닝 - 하나 또는 일련의 그래프에서 빈번한 하위 그래프의 마이닝입니다. 그래프 패턴을 마이닝하기 위한 다양한 접근 방식이 있으며 Apriori 기반 접근 방식과 패턴 성장 기반 접근 방식으로 분류할 수 있습니다.
g와 유사한 지지 카운트를 생성하는 적절한 슈퍼그래프 g'가 계속되지 않으면 그래프 g가 닫힌 닫힌 그래프 세트를 마이닝할 수 있습니다. 또한, 근사빈번 그래프, 일관성 그래프, 밀집 그래프와 같은 다양한 변형 그래프 패턴이 있습니다. 사용자 정의 제약 조건을 그래프 패턴 마이닝 단계에 깊숙이 적용하여 마이닝 효율성을 높일 수 있습니다.
네트워크의 통계적 모델링 − 네트워크에는 속성 집합과 관련된 개체에 해당하는 노드 집합과 개체 간의 관계를 설명하는 이러한 노드를 연결하는 가장자리(또는 링크) 집합이 포함됩니다.
친구 네트워크, 공동 작성자 네트워크 또는 인터넷 페이지 네트워크를 포함하여 일부 노드와 링크가 유사한 유형인 경우 네트워크는 동종입니다. 노드와 연결이 출판 네트워크(저자, 학회, 논문 및 텍스트 연결) 및 의료 네트워크(의사, 간호사, 환자, 질병 및 치료 연결)를 포함하여 유형이 다른 경우 네트워크는 이질적입니다.
정보 네트워크 분석을 통한 데이터 정리, 통합 및 검증 − 거대한 네트워크에서 상호 연결된 데이터의 여러 요소 사이에 정보 중복이 존재할 수 있습니다. 이러한 네트워크에서 정보 중복성을 분석하여 네트워크 분석을 통한 품질 데이터 정리, 데이터 통합, 데이터 유효성 검사 및 신뢰성 검색을 구현할 수 있습니다.
그래프 및 동종 네트워크의 클러스터링 및 분류 − 네트워크 메커니즘을 밝히고 숨겨진 커뮤니티, 허브 및 이상치를 찾기 위해 거대한 네트워크에서 클러스터 분석 방법이 생성되었습니다. 네트워크 토폴로지 메커니즘 및 관련 속성에 따라 다릅니다. 여러 유형의 네트워크 클러스터링 방법이 생성되었으며 분할, 계층 또는 밀도 기반 알고리즘으로 분류할 수 있습니다.
이기종 네트워크의 클러스터링, 순위 지정 및 분류 - 이기종 네트워크는 상호 연결된 노드와 여러 유형의 연결을 포함합니다. 이러한 상호 연결된 메커니즘에는 노드와 링크를 상호 개선하고 관찰을 한 유형에서 다른 유형으로 전파하는 데 사용할 수 있는 풍부한 데이터가 포함됩니다.
이러한 이기종 웹의 클러스터링 및 순위 지정은 클러스터의 높은 순위 노드가 클러스터의 응집력 계산에서 낮은 순위의 일치보다 더 많은 기여를 할 수 있다는 맥락에서 밀접하게 연관되어 구현될 수 있습니다.