Complex network models, graph mining and information extraction from real-world systems

London András
Complex network models, graph mining and information extraction from real-world systems.
PhD, University of Szeged.
(2018)

[img]
Preview
PDF (disszertáció)
Download (6MB) | Preview
[img]
Preview
PDF (tézis)
Download (740kB) | Preview
[img]
Preview
PDF (tézis)
Download (816kB) | Preview

Abstract in Hungarian

A kisvilág gráfok felfedezése jelentősen kibővítette a gráfelméleti kutatások irányát. A gráfok komplex rendszerek matematikai modellezésének legfontosabb eszközévé váltak stabil elméleti hátteret biztosítva ezen kutatásoknak. Ennek következtében az utóbbi években a gráf alapú adatbányászati és valós hálózatok vizsgálatára irányuló kutatások száma nagymértékben nőtt és jelenleg is ezt tartják a legbiztatóbb irányvonalnak relációs adatok és komplex rendszerek vizsgálatában. Ezen disszertáció célja bemutatni a Szerző munkáját a területen, fókuszálva hálózatos, illetve gráf alapú adatbányászati modellek és módszerek megalkotására és alkalmazására valós problémák megoldásától motiváltan.

Abstract in foreign language

The development of small-world networks has significantly changed and extended the research directions of graph theory, a part of mathematics which provides the theoretical toolkit for the study of complex systems. Alongside this, research on mining graph and network data has been increasingly growing over the past few years, and it has become the most promising approach for extracting knowledge from relational data and investigating complex systems. The goal of this dissertation is to present the Author's work which focusing on the development and application of network models and graph mining tools for real-world problems.

Item Type: Thesis (PhD)
Creators: London András
Hungarian title label: Komplex hálózatok, gráf alapú adatbányászat és információ kinyerés valós rendszerekből
Title of the thesis in foreign language: Complex network models, graph mining and information extraction from real-world systems
Divisions: Doctoral School Informatics
Discipline label: Natural Sciences > Mathematics and Computer Sciences
Defence date label: 2018. March 02.
Item ID: 4034
Identification Number: 3401858
doi: https://doi.org/10.14232/phd.4034
Date Deposited: 2017. Jul. 13. 16:23
Last Modified: 2018. Aug. 08. 13:51
Depository no.: B 6343
URI: http://doktori.bibl.u-szeged.hu/id/eprint/4034
Defence/Citable status: Defended.

Actions (login required)

View Item View Item

Downloads

Downloads per month over past year