Indexing Graph Structured Data

RNDr. Stanislav Bartoň, Ph.D.

Doctoral thesis

Abstract:

Tato disertační práce se zabývá problematikou indexačních technik určených pro efektivní vyhledávání komplexních vztahů mezi entitami v grafově strukturovaných datech. Součástí této práce je návrh struktury pro vyhodnocování speciálního typu operátoru pro dotazy na všechny cesty do určité délky ležící mezi dvojicí zkoumaných vrcholů v indexovaném grafu. Tento typ dotazů nazýváme rho-path dotazy. Tuto strukturu jsme porovnali s mnoha přístupy, které se jevily jako vhodné pro řešení tohoto problému. Provedli jsme také mnohé experimenty za účelem ověření vlastností této struktury. Navrhovaná struktura je založena na metodě postupného zjednodušování indexovaného grafu, kterou jsme nazvali grafovou segmentací. Použitím rekurzivního procesu grafové segmentace je získána více-úrovňová stromová indexační struktura. Každá úroveň tohoto stromu představuje jeden zjednodušený graf a každý uzel potom matici cest popisující jednotlivé grafové segmenty na této úrovni. Součástí návrhu je i algoritmus určený pro vyhodnocení rho-path dotazů, který využívá tento rhoIndex. Experimenty uvedené v této práci jsou provedeny na syntetických náhodných grafech. Tyto grafy byly vygenerovány použitím vlastního inkrementálního algoritmu. Grafy představují nejobecnější případ pro studování vlastností rhoIndexu, protože nemají žádnou uspořádanější strukturu. Přesto naše práce zahrnuje i sadu experimentů vyhodnocených na grafu představující data z reálného života a to citačního grafu sestávajícího se z 30 000 vědeckých publikací získaných z databáze CiteSeer. Tato část disertační práce také navrhuje nové přístupy k získávání informací o důležitých vrcholech – publikacích v citačním grafu ovlivňovaných uživatelovým předdefinovaným kontextem.

Abstract:

This Ph.D. thesis concerns the problem of indexing techniques towards efficient discovery of complex relationships among entities in graph structured data. We propose a novel structure for evaluation of special type of operator denoting queries for all paths to a certain limiting length lying between a pair of inspected vertices in the indexed graph, rho-path operator queries. We have compared it to various approaches suitable for this task and conducted numerous experiments to verify its properties. The proposed approach is based on a graph simplification method that we call graph segmentation. Using the recursive process of the graph segmentation a multilevel tree-like indexing structure called rhoIndex is acquired. In this tree, each level represents a simplified graph and each node a path type matrix describing the particular graph segment. An algorithm concerning the rhopath queries using rhoIndex is proposed and evaluated. The experiments are conducted on synthetic randomly generated graphs. These were acquired using our own incremental algorithm. These graphs represent the most general case for studying rhoIndex's properties since they lack any structural behavior. Although this thesis also contains the evaluation on real-life data represented by a citation graph of 30,000 scientific publication taken from the CiteSeer database. That part of this thesis also proposes novel approaches to discovery of important publications in the network influenced by the user's predefined context.

Keywords

index structures, graph structured data, path search algorithms, semantic web, citation networks, citation analysis, context citation publication search

Language used: English

Date on which the thesis was submitted / produced: 16. 5. 2007

Thesis defence

• Date of defence: 17. 5. 2007
• Supervisor: prof. Ing. Pavel Zezula, CSc.

Masaryk University

Faculty of Informatics

Doctoral programme / field:
Informatics / Informatics