图是一种较为复杂的数据结构,在计算机科学中,图是由顶点和边构成的集合。在实际的生活中,常使用图数据结构来描述数据间的关系。诸如网页之间的链接关系,蛋白质分子的组成,社交网络关系等,都是通过图数据结构的形式呈现。作为数据挖掘领域中的一部分,图数据挖掘在这些年引起了广泛的关注。随着图数据规模的不断增大,用户需要一个系统用于对图进行管理和挖掘。因此,如何设计一个高效的图数据挖掘系统,已成为当下研究的重点。近年来,不断有大规模图数据挖掘系统被发布,但这些系统在对图数据的重定序方面,存在着顶点之间关联度不强的问题;在存储方式方面,存在着消耗空间较大的问题;在访问方式方面,存在着随机访问较多和中间结果庞大的问题。总体上看,大规模图数据挖掘系统仍有较大的优化空间。大规模图数据挖掘系统FastMiner,是一个能够高效处理大规模图数据的系统。该系统提出了先BFS后DFS的划分算法,通过广度优先搜索（BFS）生成BFS遍历树,然后对这棵BFS遍历树进行深度优先搜索（DFS）,根据DFS的顺序对每个顶点进行重排。这种重定序方法增强了相邻顶点之间的耦合性,为之后对图数据的存储和访问打下坚实基础。由于图数据的规模较大,若将其用传统的邻接矩阵或邻接表结构存储,将消耗大量的存储空间。基于此,FastMiner采用了压缩稀疏行（Compressed sparse row,CSR）作为存储结构,在图数据规模较大的时候,这种存储结构能有效节约了内存资源。最后,在图数据挖掘的过程方面,FastMiner提出了拓展-过滤（ExtendFilter）查找模型。该查找模型分为拓展（Extend）和过滤（Filter）两个部分,先用DFS的访问模式将数据图中的顶点拓展为楔形体（Wedge）,然后对这些楔形体进行同构检测,保留符合条件的结果。最后,通过BFS的挖掘模式经过多次迭代之后,可从数据图中找出用户需要的子图。这种查找模型,抛弃了以往图数据挖掘系统所采用的完全BFS的数据访问方式,转而使用了DFS和BFS相结合的访问顺序。这种数据访问方式能够有效减小中间结果的数量,同时将随机访问的频率控制在一个较小的级别。FastMiner对百万级别的图数据进行了多种算法在时间性能上的测试,该系统在三角形计数算法（Triangle Counting）的耗时上相比于Rstream减少了约33%,在模体计数算法（Motif Counting）和频繁子图挖掘算法（Frequent Subgraph Mining）上更有突出表现。实验表明FastMiner在时间性能上相比于Rstream有所提升。