周期团挖掘是时态图上的一种基础操作,用于挖掘时态图中具有周期性的团。周期团挖掘有助于理解时态网络中的周期性群体行为和对未来可能发生的事件进行预测。现有的周期团挖掘方法需要对时态图中所有顶点和边进行周期性计算,在进行图转化操作时需要再次重新计算顶点和边的周期性,且转化可能导致转化后的图规模大于未转化的图规模,这两个阶段都存在重复计算所导致的低效性问题。本文针对上述问题进行了深入研究,具体研究内容如下。首先,提出一种基于边上时间戳序列的求解方法,其基本思想是先枚举后验证。基于该思想设计出一种高效的算法EMP,该算法首先枚举满足要求的极大团,然后对枚举出的极大团进行周期验证。验证的具体操作是将极大团每条边上的时间戳集合提取出来,并对集合中出现的时间点进行计数。若某个时间点出现的次数等于提取的集合个数则将其放入新的集合,最后判断新的集合中的序列是否具有周期性。该算法可高效挖掘出时态图中周期团的数目,但其枚举效率受原图规模的影响较大。其次,提出三种高效的剪枝策略来缩小原图,分别是EMP-Flag Vex剪枝策略、EMP-Flag Edge剪枝策略、EMP-Flag Edge+剪枝策略。EMP-Flag Vex是基于顶点度数的剪枝策略,EMP-Flag Edge是基于边上时间戳序列长度的剪枝策略,EMP-Flag Edge+是基于周期子序列长度的剪枝策略。这三种策略可高效剪枝掉无关的顶点和边,提高枚举操作的效率,从而提高算法的整体效率。最后,在10个真实的数据集将已有算法与EMP算法进行了比较测试。比较的指标包括运行时间、不同参数对算法运行时间的影响、剪枝策略的剪枝效率、剪枝策略运行耗时以及运行时间等。实验结果验证了本文算法的高效性。