SubgraphMatching项目使用教程

SubgraphMatching项目使用教程

SubgraphMatching In-Memory Subgraph Matching: An In-depth Study by Dr. Shixuan Sun and Prof. Qiong Luo 项目地址: https://gitcode.com/gh_mirrors/su/SubgraphMatching

1. 项目介绍

SubgraphMatching是一个开源项目，致力于研究内存中的子图匹配性能。该项目对比了八种代表性的内存子图匹配算法，包括QuickSI、GraphQL、CFL、CECI、DP-iso、RI和VF2++，并在过滤候选顶点、查询顶点排序、部分结果枚举以及其他优化技术四个方面进行了详细分析。项目基于SIGMOD'2020论文《In-Memory Subgraph Matching: an In-depth Study》。

2. 项目快速启动

环境准备

确保已经安装了CMake和相应的编译环境。

编译项目

在项目根目录下执行以下命令来编译源代码：

mkdir build
cd build
cmake ..
make

测试

编译成功后，执行以下命令来测试可执行文件的正确性：

cd test
python test.py ../build/matching/SubgraphMatching.out

运行

编译后，你可以在build/matching目录下找到名为SubgraphMatching.out的二进制文件。使用以下命令执行该文件：

./SubgraphMatching.out -d data_graphs -q query_graphs -filter method_of_filtering_candidate_vertices -order method_of_ordering_query_vertices -engine method_of_enumerating_partial_results -num number_of_embeddings

其中：

• -d 指定数据图输入
• -q 指定查询图输入
• -filter 设置候选顶点过滤方法
• -order 设置查询顶点排序方法
• -engine 设置部分结果枚举方法
• -num 设置要找到的最大匹配数

如果要找到所有结果，可以将-num设置为MAX。

3. 应用案例和最佳实践

应用案例

使用GraphQL算法对样本数据集进行子图匹配：

./SubgraphMatching.out -d ../../test/sample_dataset/test_case_1.graph -q ../../test/sample_dataset/query1_positive.graph -filter GQL -order GQL -engine GQL -num MAX

最佳实践

根据数据图密度和查询大小，选择特定的技术。例如，对于密集图和大型查询，使用DP-iso算法的失效集剪枝技术可以显著提高性能。

4. 典型生态项目

SubgraphMatching项目可以与其他图处理项目结合使用，例如：

• 用于图存储和查询的JanusGraph
• 用于大规模图计算的Apache Giraph

这些项目共同构成了一个丰富的图计算生态系统，可以用于各种图数据处理和分析场景。

SubgraphMatching In-Memory Subgraph Matching: An In-depth Study by Dr. Shixuan Sun and Prof. Qiong Luo 项目地址: https://gitcode.com/gh_mirrors/su/SubgraphMatching