Resumen

La coincidencia de patrones en grafos se utiliza ampliamente en aplicaciones de big data. Sin embargo, los grafos del mundo real suelen ser enormes y dinámicos. Un pequeño cambio en el grafo de datos o en el grafo de patrones podría causar un costo computacional serio. Los algoritmos de coincidencia de grafos incrementales pueden evitar recalcular en todo el grafo y reducir el costo computacional cuando se actualiza el grafo de datos o el grafo de patrones. El algoritmo incremental existente PGC_IncGPM puede reducir efectivamente el tiempo de coincidencia cuando no se actualiza más de la mitad de los bordes del grafo de patrones. Sin embargo, a medida que aumenta el número de bordes cambiados, la mejora de PGC_IncGPM disminuye gradualmente. Para resolver este problema, en este artículo se desarrolló un algoritmo mejorado llamado iDeltaP_IncGPM. Para múltiples inserciones (o eliminaciones) en los grafos de patrones, iDeltaP_IncGPM determina la secuencia de detección

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Coincidencia de patrones de grafos; Aplicaciones de big data; Algoritmos incrementales de coincidencia de grafos; Costo de computación; Grafos dinámicos; Algoritmo mejorado
• Keywords:Graph pattern matching; Big data applications; Incremental graph matching algorithms; Computing cost; Dynamic graphs; Improved algorithm