频繁模式挖掘的目标是在数据中找出所有频繁出现的模式,进而发现蕴含在数据中的潜在知识,根据所挖掘数据对象的种类,可以把模式分为事务、序列、项集和图等。在图数据中挖掘频繁的图模式称为频繁图模式挖掘,频繁图模式挖掘的目标是在数据图中找出所有出现次数大于给定最小支持度阈值的图模式。频繁图模式挖掘具有非常重要的理论与应用价值,众多学者也致力于研究新的更高效的频繁图模式挖掘算法。图模式匹配是频繁图模式挖掘算法中的重要操作,在频繁图模式挖掘算法中,通过图模式匹配可以得到当前候选图模式在数据图中的匹配结果,进而判断该图模式是否频繁。按照对匹配结果结构要求是否严格,可以把图模式匹配概念分为精确匹配和模拟匹配两类。当前许多在图数据上进行的频繁图模式挖掘工作都是基于子图同构来实现候选图模式与数据图的精确匹配。子图同构对匹配结果结构约束太过严格,在某些应用中进行挖掘会丢失一些有意义的频繁图模式。模拟匹配允许候选图模式与数据图中的匹配结果存在一定拓扑结构差异,作为一种新兴的匹配概念,在路网监测和社交网络分析等应用中发挥着重要作用。现有的模拟匹配概念,例如图模拟和双向模拟。在频繁图模式挖掘领域,现有的模拟匹配概念由于对匹配结果结构约束过于宽松,不能很好地应用于频繁图模式挖掘工作。例如图模拟可能会导致连通的候选图模式匹配到数据图中非连通的子结构,不能保证匹配结果的拓扑结构,大大影响挖掘质量,可能会导致挖掘出大量结构重复的冗余图模式。为了克服现有精确匹配方法的缺陷,文章应用模拟匹配概念解决在频繁图模式挖掘领域中的图模式匹配问题。针对子图同构强约束与现有模拟匹配概念的局限性,文章主要贡献是提出一种新的模拟匹配概念,称作协同模拟(ColSimulation),定义候选模式图中的结点通过单射函数映射到数据图,使得候选图模式在数据图上的匹配结果不小于该候选图模式本身的规模,解决了现有模拟匹配概念在频繁图模式挖掘领域的缺陷。本文将协同模拟概念应用于频繁图模式挖掘领域,针对大规模图数据提出基于协同模拟的分布式频繁图模式挖掘方法,称为SiMine(Simulate Mining)。SiMine采用整体同步并行计算模型的思想,遵循主从设备架构模式。通过制定合适的扩展和剪枝策略,设计优化策略提高整个分布式算法计算效率,SiMine可以在数据图中快速的挖掘出所有频繁图模式。在YouTube视频推荐数据集等实际数据集上的实验结果显示,与其他频繁图模式挖掘算法相比,本文提出的基于协同模拟的分布式频繁图模式挖掘方法SiMine在数据集中挖掘得到了更多有意义的频繁图模式,而且挖掘效率更高。随着大数据时代的到来,新兴应用层出不穷,图数据的应用场景也越来越广泛。本文提出的基于协同模拟匹配概念的频繁图模式挖掘算法未来可以应用于交通路网监测和生物信息分析以及其他新兴领域中以得到更多有意义的频繁图模式。