Multisource Heterogene Graphique Big Data Representation Apprentissage

La grande quantité de données accumulées et complexes pose également des problèmes d'interrogation et de traitement. Avec la mise à jour des données, le nombre de n¿uds et d'arêtes contenus dans le graphe peut devenir de plus en plus grand. Le nombre de n¿uds dans les données de structure graphique à grande échelle peut atteindre des millions, voire des centaines de millions, et présente les caractéristiques de multisource, d'hétérogénéité, d'isomérisation et de dynamique.Les grandes données hétérogènes multisources peuvent souvent être modélisées en une structure de données de type graphe avec apprentissage de la représentation. Le graphe de réseau complexe présente normalement certaines particularités, ce qui augmente la difficulté de la recherche. Le modèle d'apprentissage de la représentation des données de graphes hétérogènes complexes à grande échelle a un large éventail d'applications dans de nombreux domaines. Ce livre traite de ces modèles d'apprentissage de représentation de graphe hétérogène complexe à grande échelle ainsi que de leurs applications dans le domaine de la sécurité publique.