绝大多数现有的频繁子图挖掘算法仍然基于传统的频繁模式挖掘算法的问题描述（即给定一个图数据库和一个支持度作为输入参数，把所有的频繁子图计算出来），而忽视了频繁子图的具体应用和图自身的拓扑结构。由于频繁子图通常不用于关联规则的计算，就很多应用而言，对频繁子图全集的挖掘是没有必要的，因为它包含了大量冗余的、甚至是噪声的元素；另一方面，由于图的复杂性，从大型高密度的图数据库中挖掘频繁子图全集通常也是不可行的。本项目将从应用出发重点研究两项内容。一是研究如何高效地挖掘具有clique这一典型拓扑结构的频繁子图并探讨其应用；二是针对目前频繁子图的主要应用(即对图所代表的实体如化合物进行分类)，研究如何从图数据库中直接把可用于分类的高质量的频繁子图挖掘出来以提高算法的效率及准确率。