gSpan频繁子图挖掘算法
参考资料：http://www.cs.ucsb.edu/~xyan/papers/gSpan.pdf
http://www.cs.ucsb.edu/~xyan/papers/gSpan-short.pdf
http://www.jos.org.cn/1000-9825/18/2469.pdf
http://blog.csdn.net/coolypf/article/details/8263176
更多挖掘算法：https://github.com/linyiqun/DataMiningAlgorithm介绍
gSpan算法是图挖掘邻域的一个算法，而作为子图挖掘算法，又是其他图挖掘算法的基础，所以gSpan算法在图挖掘算法中还是非常重要的。gSpan算法在挖掘频繁子图的时候，用了和FP-grown中相似的原理，就是Pattern-Grown模式增长的方式，也用到了最小支持度计数作为一个过滤条件。图算法在程序上比其他的算法更加的抽象，在实现时更加需要空间想象能力。gSpan算法的核心就是给定n个图，然后从中挖掘出频繁出现的子图部分。
算法原理
说实话，gSpan算法在我最近学习的算法之中属于非常难的那种，因为要想实现他，必须要明白他的原理，而这就要花很多时间去明白算法的一些定义，比如dfs编码，最右路径这样的概念。所以，我们应该先知道算法整体的一个结构。
1、遍历所有的图，计算出所有的边和点的频度。
2、将频度与最小支持度数做比较，移除不频繁的边和点。
3、重新将剩下的点和边按照频度进行排序，将他们的排名号给边和点进行重新标号。
4、再次计算每条边的频度，计算完后，然后初始化每条边，并且进行此边的subMining()挖掘过程。
subMining的过程
1、根据graphCode重新恢复当前的子图
2、判断当前的编码是否为最小dfs编码，如果是加入到结果集中，继续在此基础上尝试添加可能的边，进行继续挖掘
3、如果不是最小编码，则此子图的挖掘过程结束。
DFS编码
gSpan算法对图的边进行编码，采用E(v0,v1,A,B,a)的方式，v0,v1代表的标识，你可以看做就是点的id,A,B可以作为点的标号，a为之间的边的标号，而一个图就是由这样的边构成的，G{e1, e2, e3,.....}，而dfs编码的方式就是比里面的五元组的元素，我这里采用的规则是，从左往右依次比较大小，如果谁先小于另一方，谁就算小，图的比较算法同样如此，具体的规则可以见我后面代码中的注释。但是这个规则并不是完全一致的，至少在我看的相关论文中有不一样的描述存在。
生成subGraph
生成子图的进行下一次挖掘的过程也是gSpan算法中的一个难点，首先你要对原图进行编码，找到与挖掘子图一致的编码，找到之后，在图的最右路径上寻找可以扩展的边，在最右路径上扩展的情况分为2种，1种为在最右节点上进行扩展，1种为在最右路径的点上进行扩展。2种情况都需要做一定的判断。
算法的技巧
算法在实现时，用的技巧比较多，有些也很不好理解，比如在dfs编码或找子边的过程中，用到了图id对于Edge中的五元组id的映射，这个会一开始没想到，还有怎么去描述一个图通过一定的数据结构。
算法的实现
此算法是借鉴了网上其他版本的实现，我是在看懂了人家代码的基础上，自己对其中的某些部分作了修改之后的。由于代码比较多，下面给出核心代码，全部代码在这里。
GSpanTool.java:
package DataMining_GSpan;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.text.MessageFormat;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
/**
* gSpan频繁子图挖掘算法工具类
*
* @author lyq
*
*/
public class GSpanTool {
// 文件数据类型
public final String INPUT_NEW_GRAPH = "t";
public final String INPUT_VERTICE = "v";
public final String INPUT_EDGE = "e";
// Label标号的最大数量，包括点标号和边标号
public final int LABEL_MAX = 100;
// 测试数据文件地址
private String filePath;
// 最小支持度率
private double minSupportRate;
// 最小支持度数，通过图总数与最小支持度率的乘积计算所得
private int minSupportCount;
// 初始所有图的数据
private ArrayList<GraphData> totalGraphDatas;
// 所有的图结构数据
private ArrayList<Graph> totalGraphs;
// 挖掘出的频繁子图
private ArrayList<Graph> resultGraphs;
// 边的频度统计
private EdgeFrequency ef;
// 节点的频度
private int[] freqNodeLabel;
// 边的频度
private int[] freqEdgeLabel;
// 重新标号之后的点的标号数
private int newNodeLabelNum = 0;
// 重新标号后的边的标号数
private int newEdgeLabelNum = 0;
public GSpanTool(String filePath, double minSupportRate) {
this.filePath = filePath;
this.minSupportRate = minSupportRate;
readDataFile();
}
/**
* 从文件中读取数据
*/
private void readDataFile() {
File file = new File(filePath);
ArrayList<String[]> dataArray = new ArrayList<String[]>();
try {
BufferedReader in = new BufferedReader(new FileReader(file));
String str;
String[] tempArray;
while ((str = in.readLine()) != null) {
tempArray = str.split(" ");
dataArray.add(tempArray);
}
in.close();
} catch (IOException e) {
e.getStackTrace();
}
calFrequentAndRemove(dataArray);
}
/**
* 统计边和点的频度，并移除不频繁的点边，以标号作为统计的变量
*
* @param dataArray
* 原始数据
*/
private void calFrequentAndRemove(ArrayList<String[]> dataArray) {
int tempCount = 0;
freqNodeLabel = new int[LABEL_MAX];
freqEdgeLabel = new int[LABEL_MAX];
// 做初始化操作
for (int i = 0; i < LABEL_MAX; i++) {
// 代表标号为i的节点目前的数量为0
freqNodeLabel[i] = 0;
freqEdgeLabel[i] = 0;
}
GraphData gd = null;
totalGraphDatas = new ArrayList<>();
for (String[] array : dataArray) {
if (array[0].equals(INPUT_NEW_GRAPH)) {
if (gd != null) {
totalGraphDatas.add(gd);
}
// 新建图
gd = new GraphData();
} else if (array[0].equals(INPUT_VERTICE)) {
// 每个图中的每种图只统计一次
if (!gd.getNodeLabels().contains(Integer.parseInt(array[2]))) {
tempCount = freqNodeLabel[Integer.parseInt(array[2])];
tempCount++;
freqNodeLabel[Integer.parseInt(array[2])] = tempCount;
}
gd.getNodeLabels().add(Integer.parseInt(array[2]));
gd.getNodeVisibles().add(true);
} else if (array[0].equals(INPUT_EDGE)) {
// 每个图中的每种图只统计一次
if (!gd.getEdgeLabels().contains(Integer.parseInt(array[3]))) {
tempCount = freqEdgeLabel[Integer.parseInt(array[3])];
tempCount++;
freqEdgeLabel[Integer.parseInt(array[3])] = tempCount;
}
int i = Integer.parseInt(array[1]);
int j = Integer.parseInt(array[2]);
gd.getEdgeLabels().add(Integer.parseInt(array[3]));
gd.getEdgeX().add(i);
gd.getEdgeY().add(j);
gd.getEdgeVisibles().add(true);
}
}
// 把最后一块gd数据加入
totalGraphDatas.add(gd);
minSupportCount = (int) (minSupportRate * totalGraphDatas.size());
for (GraphData g : totalGraphDatas) {
g.removeInFreqNodeAndEdge(freqNodeLabel, freqEdgeLabel,
minSupportCount);
}
}
/**
* 根据标号频繁度进行排序并且重新标号
*/
private void sortAndReLabel() {
int label1 = 0;
int label2 = 0;
int temp = 0;
// 点排序名次
int[] rankNodeLabels = new int[LABEL_MAX];
// 边排序名次
int[] rankEdgeLabels = new int[LABEL_MAX];
// 标号对应排名
int[] nodeLabel2Rank = new int[LABEL_MAX];
int[] edgeLabel2Rank = new int[LABEL_MAX];
for (int i = 0; i < LABEL_MAX; i++) {
// 表示排名第i位的标号为i，[i]中的i表示排名
rankNodeLabels[i] = i;
rankEdgeLabels[i] = i;
}
for (int i = 0; i < freqNodeLabel.length - 1; i++) {
int k = 0;
label1 = rankNodeLabels[i];
temp = label1;
for (int j = i + 1; j < freqNodeLabel.length; j++) {
label2 = rankNodeLabels[j];
if (freqNodeLabel[temp] < freqNodeLabel[label2]) {
// 进行标号的互换
temp = label2;
k = j;
}
}
if (temp != label1) {
// 进行i，k排名下的标号对调
temp = rankNodeLabels[k];
rankNodeLabels[k] = rankNodeLabels[i];
rankNodeLabels[i] = temp;
}
}
// 对边同样进行排序
for (int i = 0; i < freqEdgeLabel.length - 1; i++) {
int k = 0;
label1 = rankEdgeLabels[i];
temp = label1;
for (int j = i + 1; j < freqEdgeLabel.length; j++) {
label2 = rankEdgeLabels[j];
if (freqEdgeLabel[temp] < freqEdgeLabel[label2]) {
// 进行标号的互换
temp = label2;
k = j;
}
}
if (temp != label1) {
// 进行i，k排名下的标号对调
temp = rankEdgeLabels[k];
rankEdgeLabels[k] = rankEdgeLabels[i];
rankEdgeLabels[i] = temp;
}
}
// 将排名对标号转为标号对排名
for (int i = 0; i < rankNodeLabels.length; i++) {
nodeLabel2Rank[rankNodeLabels[i]] = i;
}
for (int i = 0; i < rankEdgeLabels.length; i++) {
edgeLabel2Rank[rankEdgeLabels[i]] = i;
}
for (GraphData gd : totalGraphDatas) {
gd.reLabelByRank(nodeLabel2Rank, edgeLabel2Rank);
}
// 根据排名找出小于支持度值的最大排名值
for (int i = 0; i < rankNodeLabels.length; i++) {
if (freqNodeLabel[rankNodeLabels[i]] > minSupportCount) {
newNodeLabelNum = i;
}
}
for (int i = 0; i < rankEdgeLabels.length; i++) {
if (freqEdgeLabel[rankEdgeLabels[i]] > minSupportCount) {
newEdgeLabelNum = i;
}
}
//排名号比数量少1，所以要加回来
newNodeLabelNum++;
newEdgeLabelNum++;
}
/**
* 进行频繁子图的挖掘
*/
public void freqGraphMining() {
long startTime = System.currentTimeMillis();
long endTime = 0;
Graph g;
sortAndReLabel();
resultGraphs = new ArrayList<>();
totalGraphs = new ArrayList<>();
// 通过图数据构造图结构
for (GraphData gd : totalGraphDatas) {
g = new Graph();
g = g.constructGraph(gd);
totalGraphs.add(g);
}
// 根据新的点边的标号数初始化边频繁度对象
ef = new EdgeFrequency(newNodeLabelNum, newEdgeLabelNum);
for (int i = 0; i < newNodeLabelNum; i++) {
for (int j = 0; j < newEdgeLabelNum; j++) {
for (int k = 0; k < newNodeLabelNum; k++) {
for (Graph tempG : totalGraphs) {
if (tempG.hasEdge(i, j, k)) {
ef.edgeFreqCount[i][j][k]++;
}
}
}
}
}
Edge edge;
GraphCode gc;
for (int i = 0; i < newNodeLabelNum; i++) {
for (int j = 0; j < newEdgeLabelNum; j++) {
for (int k = 0; k < newNodeLabelNum; k++) {
if (ef.edgeFreqCount[i][j][k] >= minSupportCount) {
gc = new GraphCode();
edge = new Edge(0, 1, i, j, k);
gc.getEdgeSeq().add(edge);
// 将含有此边的图id加入到gc中
for (int y = 0; y < totalGraphs.size(); y++) {
if (totalGraphs.get(y).hasEdge(i, j, k)) {
gc.getGs().add(y);
}
}
// 对某条满足阈值的边进行挖掘
subMining(gc, 2);
}
}
}
}
endTime = System.currentTimeMillis();
System.out.println("算法执行时间"+ (endTime-startTime) + "ms");
printResultGraphInfo();
}
/**
* 进行频繁子图的挖掘
*
* @param gc
* 图编码
* @param next
* 图所含的点的个数
*/
public void subMining(GraphCode gc, int next) {
Edge e;
Graph graph = new Graph();
int id1;
int id2;
for(int i=0; i<next; i++){
graph.nodeLabels.add(-1);
graph.edgeLabels.add(new ArrayList<Integer>());
graph.edgeNexts.add(new ArrayList<Integer>());
}
// 首先根据图编码中的边五元组构造图
for (int i = 0; i < gc.getEdgeSeq().size(); i++) {
e = gc.getEdgeSeq().get(i);
id1 = e.ix;
id2 = e.iy;
graph.nodeLabels.set(id1, e.x);
graph.nodeLabels.set(id2, e.y);
graph.edgeLabels.get(id1).add(e.a);
graph.edgeLabels.get(id2).add(e.a);
graph.edgeNexts.get(id1).add(id2);
graph.edgeNexts.get(id2).add(id1);
}
DFSCodeTraveler dTraveler = new DFSCodeTraveler(gc.getEdgeSeq(), graph);
dTraveler.traveler();
if (!dTraveler.isMin) {
return;
}
// 如果当前是最小编码则将此图加入到结果集中
resultGraphs.add(graph);
Edge e1;
ArrayList<Integer> gIds;
SubChildTraveler sct;
ArrayList<Edge> edgeArray;
// 添加潜在的孩子边，每条孩子边所属的图id
HashMap<Edge, ArrayList<Integer>> edge2GId = new HashMap<>();
for (int i = 0; i < gc.gs.size(); i++) {
int id = gc.gs.get(i);
// 在此结构的条件下，在多加一条边构成子图继续挖掘
sct = new SubChildTraveler(gc.edgeSeq, totalGraphs.get(id));
sct.traveler();
edgeArray = sct.getResultChildEdge();
// 做边id的更新
for (Edge e2 : edgeArray) {
if (!edge2GId.containsKey(e2)) {
gIds = new ArrayList<>();
} else {
gIds = edge2GId.get(e2);
}
gIds.add(id);
edge2GId.put(e2, gIds);
}
}
for (Map.Entry entry : edge2GId.entrySet()) {
e1 = (Edge) entry.getKey();
gIds = (ArrayList<Integer>) entry.getValue();
// 如果此边的频度大于最小支持度值，则继续挖掘
if (gIds.size() < minSupportCount) {
continue;
}
GraphCode nGc = new GraphCode();
nGc.edgeSeq.addAll(gc.edgeSeq);
// 在当前图中新加入一条边，构成新的子图进行挖掘
nGc.edgeSeq.add(e1);
nGc.gs.addAll(gIds);
if (e1.iy == next) {
// 如果边的点id设置是为当前最大值的时候，则开始寻找下一个点
subMining(nGc, next + 1);
} else {
// 如果此点已经存在，则next值不变
subMining(nGc, next);
}
}
}
/**
* 输出频繁子图结果信息
*/
public void printResultGraphInfo(){
System.out.println(MessageFormat.format("挖掘出的频繁子图的个数为：{0}个", resultGraphs.size()));
}
}
这个算法在后来的实现时，渐渐的发现此算法的难度大大超出我预先的设想，不仅仅是其中的抽象性，还在于测试的复杂性，对于测试数据的捏造，如果用的是真实数据测的话，数据量太大，自己造数据拿捏的也不是很准确。我最后也只是自己伪造了一个图的数据，挖掘了其中的一条边的情况。大致的走了一个过程。代码并不算是完整的，仅供学习。
算法的缺点
在后来实现完算法之后，我对于其中的小的过程进行了分析，发现这个算法在2个深度优先遍历的过程中还存在问题，就是DFS判断是否最小编码和对原图进行寻找相应编码，的时候，都只是限于Edge中边是连续的情况，如果不连续了，会出现判断出错的情况，因为在最右路径上添加边，就是会出现在前面的点中多扩展一条边，就不会是连续的。而在上面的代码中是无法处理这样的情况的，个人的解决办法是用栈的方式，将节点压入栈中实现最好。
算法的体会
这个算法花了很多的时间，关关理解这个算法就已经不容易了，经常需要我在脑海中去刻画这样的图形和遍历的一些情况，带给我的挑战还是非常的大吧。
算法的特点
此算法与FP-Tree算法类似，在挖掘的过程中也是没有产生候选集的，采用深度优先的挖掘方式，一步一步进行挖掘。gSpan算法可以进行对于化学分子的结构挖掘。