معرفی الگوریتم خلاصه سازی معناگرای SIGS برای گراف های عظیم الجثه

امروزه گراف ها به طور گسترده در بسیاری از حوزه ها از جمله نرم افزار، شبکه، وب، شیمی، زیست، ژنتیک و حتی مخابرات و جامعه شناسی برای مدل سازی و پردازش داده ها استفاده می شوند. حجیم بودن و پیچیدگی زیاد گراف های داده، یکی از مهم ترین چالش ها در این زمینه است که کار استخراج اطلاعات و دانش مورد نیاز از میان مجموعه ای از داده ها را بسیار مشکل می سازد. در چنین شرایطی، استفاده از الگوریتم های خلاصه سازی گراف می تواند راه حل مناسبی باشد. در مقاله حاضر، الگوریتمی نو برای خلاصه سازی گراف ها ارائه شده که قادر است از یک گراف برحسب نیاز کاربران، خلاصه های مختلف با جزئیات متفاوت تولید کند. به علاوه، کاربر قادر است سطح خلاصه سازی را نیز کنترل کند. الگوریتم معرفی شده، با استفاده از پایگاه داده Neo4j که یکی از انواع پایگاه های داده ای غیررابطه ای است پیاده سازی شده است. همچنین آزمون هایی      به­وسیله داده های آزمایشگاهی و واقعی برای ارزیابی الگوریتم انجام گرفته است که نشان می دهد خلاصه های تولید شده، از کیفیت مناسبی برخوردار هستند. ضمن آنکه این الگوریتم از لحاظ مقیاس پذیری و کارایی از نمونه مشابه خود کیفیت بهتری ارائه می کند.

کلیدواژه ها:

گراف ، خلاصه سازی معناگرا ، گراف خلاصه ، مقیاس پذیری ، کارایی