图书信息
图书目录
大规模图数据管理与分析
图是大数据关联分析的基础模型。本书以图为核心，对大规模图数据管理与分析进行了深入的阐述。本书涵盖了从基础的图数据定义和表示，到图算法、图数据库系统、图计算系统、图机器学习等内容；也介绍了不同类型的图数据、各种图算法以及实际应用中的案例；此外，本书努力从跨学科的角度，为读者建构图数据管理与分析的完整的知识体系。
本书适合作为高等学校计算机科学与技术、软件工程、数据科学与大数据技术等专业高年级本科生或研究生的教材，也可作为相关研究或技术研发等人员的参考书。
作者：
邹磊 李友焕 刘钰 彭鹏
定价：
45.00元
出版时间：
2025-05-15
ISBN：
978-7-04-063854-7
物料号：
63854-00
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机科学与技术专业课程
重点项目：
暂无
版面字数：
300.00千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
- 前辅文
- 第1章 图数据管理概述
- 1.1 图的概述
- 1.2 图的基本概念
- 1.2.1 图的基本术语
- 1.2.2 图的存储结构
- 1.2.3 图的常见分类
- 1.3 图的典型应用
- 1.3.1 链接分析
- 1.3.2 社区发现
- 1.3.3 知识图谱
- 本章小结
- 习题
- 第2章 图的度量、性质与生成模型
- 2.1 图的度量
- 2.1.1 度数分布
- 2.1.2 路径长度
- 2.1.3 聚集系数
- 2.1.4 连通分量
- 2.2 度量真实图
- 2.3 图生成模型
- 2.3.1 静态图生成模型
- 2.3.2 动态图生成模型
- 本章小结
- 习题
- 2.1 图的度量
- 第3章 图社区发现
- 3.1 社区发现算法
- 3.1.1 基于层级聚类的算法
- 3.1.2 基于边介数的算法
- 3.1.3 团与社区发现算法
- 3.1.4 基于K-core子图的社区发现算法
- 3.2 社区搜索
- 3.2.1 贪心社区搜索算法
- 3.2.2 K-truss子图与社区搜索
- 3.3 图的划分
- 3.3.1 最小切算法
- 3.3.2 Metis算法
- 本章小结
- 习题
- 3.1 社区发现算法
- 第4章 子图匹配
- 4.1 子图同构的定义
- 4.2 基于搜索的算法
- 4.2.1 Ullmann算法
- 4.2.2 VF2算法
- 4.2.3 GraphQL算法
- 4.2.4 QuickSI算法
- 4.2.5 CFL算法
- 4.2.6 CECI算法
- 4.3 基于连接的算法
- 4.3.1 基于两两连接的方法
- 4.3.2 基于最坏情况最优连接的方法
- 本章小结
- 习题
- 第5章 图上的可达性查询
- 5.1 问题定义
- 5.2 基础可达性算法: 广度优先遍历
- 5.3 基于索引的可达性算法
- 5.3.1 区间标签索引
- 5.3.2 支配关系绘图索引
- 5.3.3 集合包含测试索引
- 5.3.4 两跳标签索引
- 5.4 不基于索引的高效可达性算法
- 5.5 可达性查询的变种问题
- 本章小结
- 习题
- 第6章 图数据库基本原理
- 6.1 图数据库概述
- 6.1.1 RDF图数据库
- 6.1.2 属性图数据库
- 6.1.3 图数据库应用
- 6.2 图数据库设计
- 6.2.1 RDF图数据模型
- 6.2.2 属性图数据模型
- 6.3 图数据库查询
- 6.3.1 SPARQL查询语言
- 6.3.2 Cypher查询语言
- 6.3.3 Gremlin查询语言
- 6.3.4 各个查询语言语义的差别
- 本章小结
- 习题
- 6.1 图数据库概述
- 第7章 图数据库高级专题
- 7.1 RDF图数据库系统的物理实现
- 7.1.1 基于关系数据库的RDF数据存储与基本图模式查询处理
- 7.1.2 基于原生图数据库的RDF数据存储与基本图模式查询处理
- 7.1.3 包含图模式操作符的完整SPARQL查询处理机制
- 7.2 属性图数据库系统的物理实现
- 7.2.1 基于关系数据库的属性图数据库的存储与查询
- 7.2.2 原生属性图数据库的存储与查询
- 7.3 分布式图数据库技术
- 7.3.1 多单机存储与存算一体
- 7.3.2 大数据平台存储与存算分离
- 7.3.3 多单机存储与存算分离
- 本章小结
- 习题
- 7.1 RDF图数据库系统的物理实现
- 第8章 图计算系统
- 8.1 认识图计算
- 8.1.1 图计算的基本概念
- 8.1.2 图计算的初衷——从PageRank奠定Google搜索巨头地位说起
- 8.1.3 图计算的实现概述
- 8.2 基于传统大数据组件的图计算实现
- 8.2.1 基于分布式key-value的实现
- 8.2.2 基于MapReduce框架的实现
- 8.2.3 基于Spark框架的实现
- 8.3 针对图计算的点中心编程框架
- 8.3.1 Pregel
- 8.3.2 GraphLab
- 8.3.3 PowerGraph
- 8.4 基于图数据库的实现
- 8.4.1 图数据库支撑图计算的技术框架
- 8.4.2 基于gStore图数据库的图计算
- 本章小结
- 习题
- 8.1 认识图计算
- 第9章 图表示学习与图嵌入
- 9.1 图表示学习概述
- 9.1.1 图表示学习的基本概念
- 9.1.2 图表示学习的编码器-解码器视角
- 9.1.3 图表示学习的应用
- 9.2 基于矩阵分解的图嵌入方法
- 9.2.1 基于矩阵分解的图嵌入方法一般形式
- 9.2.2 图分解方法
- 9.2.3 GraRep方法
- 9.2.4 HOPE方法
- 9.3 基于随机游走的图嵌入方法
- 9.3.1 随机游走的概念
- 9.3.2 DeepWalk方法
- 9.3.3 node2vec方法
- 9.3.4 LINE方法
- 9.3.5 随机游走方法与矩阵分解方法的等价性
- 本章小结
- 习题
- 9.1 图表示学习概述
- 第10章 图神经网络
- 10.1 图神经网络的基本概念
- 10.1.1 计算图定义
- 10.1.2 邻居信息聚合
- 10.1.3 模型训练
- 10.2 图卷积网络
- 10.2.1 模型定义
- 10.2.2 GCN模型的谱图卷积理论基础
- 10.3 图采样和聚合网络
- 10.3.1 模型定义
- 10.3.2 邻居采样
- 10.3.3 直推式图学习与归纳式图学习
- 10.4 图注意力网络
- 10.5 图同构网络
- 10.5.1 模型定义
- 10.5.2 图神经网络的表达能力
- 10.6 面向异质图的图神经网络
- 10.7 图表示学习的新技术
- 本章小结
- 习题
- 10.1 图神经网络的基本概念
相关图书
1