基于小世界模型的高维数据查询算法

doi:10.3778/j.issn.1002-8331.1603-0001

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (10): 85-89.DOI: 10.3778/j.issn.1002-8331.1603-0001

基于小世界模型的高维数据查询算法

段群１，赵阿妮２，聂维１

1.咸阳师范学院图形图像处理研究所，陕西咸阳 712000
2.宝鸡文理学院，陕西宝鸡 721000

出版日期:2017-05-15 发布日期:2017-05-31

High-dimensional data query algorithm based on small-world model

DUAN Qun1, ZHAO A’ni2, NIE Wei1

1.Institute of Graphics and Image Processing, Xianyang Normal University, Xianyang, Shaanxi 712000, China
2.Baoji University of Arts and Sciences, Baoji, Shaanxi 721000, China

Online:2017-05-15 Published:2017-05-31

摘要/Abstract

摘要： 提出了一种从海量高维数据中进行高效查询的算法，该算法基于小世界网络模型，并采用网络节点表示高维数据的特征向量。算法主要包含两个部分，基于K-Means的索引生成算法和随机逼近查询算法，两个算法均给出了具体的操作步骤。算法经大量实验仿真，得出通过合理设置小世界网络节点的近邻节点数量以及最大查询路径和最大迭代次数等参数，算法可以满足不同精度的用户查询请求。实验结果表明，实现的算法在高维度海量数据查询中具有良好的检索效果。

关键词: 高维数据, 小世界模型, 大数据, 范围查询

Abstract: Based on small-world model, express the high-dimensional feature vector as the network nodes, and then design the high-dimensional index generation algorithm based on K-Means technology and the random approximate neighbor query algorithm. With the appropriate chosen the number of neighbor nodes, the maximum length of query paths and the maximum iterations, the proposed algorithm can meet various query with different precision demands. Experiment demonstrates the algorithm can achieve effective index performance with mass high-dimensional data vectors.

Key words: high-dimensional data, small-world model, big data, range query

段群１，赵阿妮２，聂维１. 基于小世界模型的高维数据查询算法[J]. 计算机工程与应用, 2017, 53(10): 85-89.

DUAN Qun1, ZHAO A’ni2, NIE Wei1. High-dimensional data query algorithm based on small-world model[J]. Computer Engineering and Applications, 2017, 53(10): 85-89.

[1]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[2]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[3]	吴东阳，窦建平，李俊. 四旋翼飞行器的数字孪生系统设计[J]. 计算机工程与应用, 2021, 57(16): 237-244.
[4]	张迪，杨沛，邓鑫波，赵千川. ASExplorer：基于联合熵的多维相关性可视分析系统[J]. 计算机工程与应用, 2021, 57(1): 99-109.
[5]	许斌，梁晓兵，沈博. 大数据环境中非交互式查询差分隐私保护模型[J]. 计算机工程与应用, 2020, 56(7): 116-121.
[6]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[7]	王永贵，郭昕彤. SparkSql上自适应数据集的高效频繁集挖掘算法[J]. 计算机工程与应用, 2020, 56(21): 72-78.
[8]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[9]	张萌，孙秉珍，楚晓丽. 基于邻域代价敏感三支决策的痛风诊断模型[J]. 计算机工程与应用, 2020, 56(16): 218-225.
[10]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.
[11]	王静宇，栾俊清，谭跃生. 基于数据敏感性的大数据访问控制模型研究[J]. 计算机工程与应用, 2019, 55(23): 70-77.
[12]	侯屿1，2，秦小林2，彭皓月1，2，张力戈1，2. 全局调距和声特征选择算法[J]. 计算机工程与应用, 2019, 55(2): 21-27.
[13]	王德贤，何先波，贺春林，周坤，陈敏治. 结合L1和L2正则化约束的隐语义预测模型研究[J]. 计算机工程与应用, 2019, 55(19): 121-127.
[14]	王渊，彭晨辉，王志强，范强，姚一杨，华召云. 知识图谱在电网全业务统一数据中心的应用[J]. 计算机工程与应用, 2019, 55(15): 104-109.
[15]	李宇帆1，张会福2，刘上力2，唐兵1. 教育数据挖掘研究进展[J]. 计算机工程与应用, 2019, 55(14): 15-23.

基于小世界模型的高维数据查询算法

High-dimensional data query algorithm based on small-world model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics