大量现实应用包括生物信息分析、化学制药、社会网络聚类等需要图挖掘技术的支撑,其中基于图中的频繁模式挖掘一直是一项核心研究,也引起了学术界和工业界广泛的高度重视。随着社会网络等领域的蓬勃发展,图规模不断增加,如何高效地挖掘图中的频繁模式成为一个亟待解决的研究课题。由于模式空间的爆炸性增长特性,使得在网络图中进行完全模式挖掘几乎不可能实现。因此,本文研究并提出基于频繁子图结构的方法来挖掘其中较大规模的Top-K频繁模式以满足应用需求。主要内容包括:　　 ●研究并设计了以(s)为半径的子图结构来表示图结构的方法,该方法将频繁模式表示成基于HOP结构的多重集合,使得子图同构检测问题被转化为集合匹配问题,有效地降低了检测的难度。　　 ●提出并实现了表示和挖掘频繁子图结构的方法。基于该子图结构将网络图转化为一系列(s)—HOP索引结构,避免了子图结构呈指数规模增长。形成的索引结构可以优化模式存储和查询,并且加快后续挖掘算法。　　 ●由于大规模网络中所包含的频繁模式数量级很大,因此本文旨在挖掘其中较大规模的Top-K频繁模式。这种模式所包含的顶点数目和边的数目较多,可以代表更丰富的语义信息,是模式中的典型。本文提出了一种基于频繁子图结构的Top-K频繁模式挖掘方法。并且在理论上证明了该方法可以在任意准确度范围内返回Top-K频繁模式。　　 基于实验验证和结果分析,本文提出的方法可以有效地挖掘网络图中的较大规模频繁模式,一定程度上解决了指数模式空间的搜索以及子图同构检测这两个图模式挖掘的瓶颈问题。