Welche Methoden für systematische Ähnlichkeitsvergleiche von Strukturdaten gibt es?

Für **Strukturdaten** gibt es mehrere Klassen von **systematischen Ähnlichkeitsvergleichen**, je nach Datentyp und Ziel: 1. **Distanzbasierte Verfahren** - **Euklidische Distanz** - **Manhattan-Distanz** - **Minkowski-Distanz** - **Mahalanobis-Distanz** Geeignet für numerische, tabellarische Daten. 2. **Ähnlichkeitsmaße für Vektoren** - **Kosinus-Ähnlichkeit** - **Skalarprodukt** - **Pearson-Korrelation** Nützlich bei Merkmalsvektoren und hochdimensionalen Daten. 3. **Vergleiche für kategoriale Daten** - **Hamming-Distanz** - **Jaccard-Index** - **Simple Matching Coefficient** Für binäre oder kategoriale Attribute. 4. **Set- und Mengenvergleiche** - **Jaccard-Ähnlichkeit** - **Dice-Koeffizient** - **Overlap-Koeffizient** Für Datensätze, die als Mengen interpretiert werden. 5. **Sequenz- und Stringverfahren** - **Levenshtein-Distanz** - **Damerau-Levenshtein** - **Longest Common Subsequence** - **Dynamic Time Warping** für zeitliche Folgen Für geordnete Strukturen. 6. **Graphbasierte Verfahren** - **Graph Edit Distance** - **Subgraph Matching** - **Graph-Kernel** - **Isomorphie-nahe Maße** Für Netzwerke, Molekülstrukturen, Ontologien. 7. **Baumstruktur-Vergleiche** - **Tree Edit Distance** - **Subtree Matching** Relevant für XML, JSON, Parse Trees. 8. **Probabilistische und informationsbasierte Maße** - **Kullback-Leibler-Divergenz** - **Jensen-Shannon-Divergenz** - **Mutual Information** Für Verteilungen und unsichere Daten. 9. **Lernbasierte Verfahren** - **Embedding-basierte Ähnlichkeit** - **Siamese Networks** - **Metric Learning** Für komplexe oder nichtlineare Strukturähnlichkeit. 10. **Domänenspezifische Verfahren** - Chemoinformatik: **Tanimoto-Koeffizient** - Geodaten: **Hausdorff-Distanz** - Zeitreihen: **DTW**, Shape-based Similarity Eine sinnvolle Systematik ist also: - **numerisch** - **kategorial** - **mengenbasiert** - **sequenziell** - **baumartig** - **graphartig** - **verteilungsbasiert** - **gelernt** Für Strukturdaten im engeren Sinn sind meist **Graph-, Baum- und Edit-Distanz-Verfahren** besonders zentral.