過(guò)去的許多研究表明在實(shí)際張量數(shù)據(jù)中密集的部分存在著異�；蛘咂墼p行為,如微博僵尸粉行為、網(wǎng)絡(luò)攻擊等。因此,研究人員提出了各種各樣的方法來(lái)針對(duì)密集塊的提取,但是這些方法存在低準(zhǔn)確率和低召回率的缺點(diǎn)。針對(duì)這些缺點(diǎn),提出了一種基于二叉樹搜索的多密集塊檢測(cè)方法(DDB-BST),通過(guò)對(duì)張量數(shù)據(jù)進(jìn)行基于評(píng)價(jià)指標(biāo)的局部搜索,找到評(píng)價(jià)指標(biāo)最高的子張量數(shù)據(jù),將數(shù)據(jù)分成左右子節(jié)點(diǎn),通過(guò)不斷比較父節(jié)點(diǎn)和左右子節(jié)點(diǎn)評(píng)價(jià)指標(biāo)值的數(shù)值關(guān)系,判斷二叉樹生長(zhǎng)是否終止。同時(shí)對(duì)終止條件給出了嚴(yán)格的數(shù)學(xué)證明。在合成數(shù)據(jù)集以及真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),發(fā)現(xiàn)DDB-BST比現(xiàn)有的M-zoom多密集塊方法的F1值提高了近30%。

【文章頁(yè)數(shù)】：4 頁(yè)

【文章目錄】：
0 引言
1 符號(hào)及定義
    1.1 符號(hào)定義
    1.2 評(píng)價(jià)指標(biāo)
    1.3 問(wèn)題定義
2 基于評(píng)價(jià)指標(biāo)的二叉樹搜索的多密集塊檢測(cè)
    2.1 基于評(píng)價(jià)指標(biāo)的二叉樹搜索的多密集塊檢測(cè)算法流程
    2.2 算法時(shí)間復(fù)雜度分析
    2.3 二叉樹生長(zhǎng)條件
3 仿真實(shí)驗(yàn)
    3.1 合成數(shù)據(jù)集仿真
    3.2 真實(shí)數(shù)據(jù)集仿真
4 結(jié)束語(yǔ)



本文編號(hào)：3773550