cgSpan: Pattern Mining in Conceptual Graphs - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2021

cgSpan: Pattern Mining in Conceptual Graphs

cgSpan: Extraction de motifs dans des graphes conceptuels

Abstract

Conceptual Graphs (CGs) are a graph-based knowledge representation formalism. In this paper we propose cgSpan a CG frequent pattern mining algorithm. It extends the DMGM-GSM algorithm that takes taxonomy-based labeled graphs as input; it includes three more kinds of knowledge of the CG formalism: (a) the fixed arity of relation nodes, handling graphs of neighborhoods centered on relations rather than graphs of nodes, (b) the signatures, avoiding patterns with concept types more general than the maximal types specified in signatures and (c) the inference rules, applying them during the pattern mining process. The experimental study highlights that cgSpan is a functional CG Frequent Pattern Mining algorithm and that including CGs specificities results in a faster algorithm with more expressive results and less redundancy with vocabulary.
Les graphes conceptuels (GC) sont un formalisme de représentation des connaissances basé sur les graphes. Dans cet article, nous proposons cgSpan, un algorithme d'extraction de motifs fréquents dans des GC. Il est basé sur l'algorithme DMGM-GSM qui prend en entrée des graphes étiquetés avec taxonomie; il prend en compte trois autres types de connaissances du formalisme des GC: (a) l'arité fixe des nœuds relation, traitant des graphes de voisinages, centrés sur les relations, plutôt que des graphes de nœuds, (b) les signatures, évitant les motifs avec des types de concept plus généraux que les types maximaux spécifiés dans les signatures et (c) les règles d'inférence, les appliquant pendant le processus d'extraction de motifs. L'étude expérimentale met en évidence que cgSpan est un algorithme fonctionnel d'extraction de motifs fréquents de GC et que l'inclusion des spécificités de GC donne un algorithme plus rapide avec des résultats plus expressifs et moins de redondance avec le vocabulaire.
Fichier principal
Vignette du fichier
10137.pdf (484.64 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

lirmm-03400687 , version 1 (25-10-2021)

Identifiers

Cite

Adam Faci, Marie-Jeanne Lesot, Claire Laudy. cgSpan: Pattern Mining in Conceptual Graphs. Int. Conf. on Artificial Intelligence and Soft Computing (ICAISC2021), Jun 2021, Zakopane, Poland. pp.149-158, ⟨10.1007/978-3-030-87897-9_14⟩. ⟨lirmm-03400687⟩
82 View
66 Download

Altmetric

Share

Gmail Mastodon Facebook X LinkedIn More