欢迎访问一起赢论文辅导网
SCI期刊论文
当前位置:首页 > SCI期刊论文
基于序列移动距离的用户行为挖掘与相似度计算
来源:一起赢论文网     日期:2018-06-04     浏览数:570     【 字体:

  林泽东 等:基于序列移动距离的用户行为挖掘与相似度计算0 引言近年来,随着感知技术、可穿戴设备和移动互联网技术的成熟应用,越来越多的用户行为信息能够被精确地获取和记录。这些信息真实地展示了用户在生活中的日常行为,能够准确和完整地反映用户的兴趣爱好、行为特点、生活轨迹等信息[1-2]。研究者们利用这些用户行为日志开展了许多有意义的工作,例如,利用用户行为日志分析用户的行为特征、比较和识别相似用户等[3-5]。通过分析用户行为日志,可以更加深入和准确地理解用户的行为规律和特点,为用户需求精准定位和个性化信息服务提供支持。用户行为由其背后的行为流程决定,原则上,用户行为相似度可基于流程相似度的度量方法进行计算。但是,用户行为隐含的行为流程不像普通业务流程那样具有确定的流程模型,因此无法用传统的流程相似性度量方法进行用户行为的相似性度量。为解决这一问题,本文从用户行为流程产生的行为序列出发,对用户行为进行挖掘和相似度计算。具体而言,首先,从用户的原始行为序列中挖掘出用户的行为序列多重集,并以此建模用户行为;其次,为了计算用户行为多重集的距离和相似度,定义了基于最长公共子序列的用户行为序列距离度量方法;然后,定义了基于 (earth movers distance)[6]的 用户行为序列多重集之间距离的计算方法,在此基础上计算用户行为相似度;最后,提出行为序列多重集之间距离度量应遵循的基本准则。通过这些基本准则评估了现有方法中存在的不足,并以真实数据验证本文所提方法的有效性。1 相关研究工作与本文相关的工作主要是用户行为相似度计算方面。下面分别对相关工作、本文研究内容与已有工作的不同进行概述。Ying等[4]提出基于最大轨迹模式(Maximal Trajectory Pattern,MTP)的用户相似度计算方法。该方法通过最长公共子序列计算两个序列的相似度,将用户相似度定义为两个用户所有序列对相似度的加权平均值。Chen等[5]发现MTP方法在有些情况下不能保证两个相同用户的相似度为1,提出了改进的 MTP方法,解决了上述问题,却忽略了序列的频次信息。随后,Chen等[7]又提出 一 种 基 于 公 共 模 式 集 合 (Common PatternSet,CPS)的用户相似度计算方法。该方法利用两个用户的公共序列模式集合计算用户相似度,考虑了公共序列的长度、支持度以及支持度的分布情况,解决了上述方法中存在的问题,但是该方法作为一种距离或相似度的度量方法,并不满足三角不等式公理;另外,该方法是基于频繁序列模式实现的,在频繁序列模式挖掘过程中存在着子序列被重复计算问题,将导致最终的相似度结果存在偏差。EMD[6]最初在运输问题中被提出,用来测量两个分布之间的距离,相比于其他距离计算方法,能提供更接近人们感知距离的结果,因此 EMD 在图像检索领域得到广泛的应用[6,8]。为此,本文将 EMD 作为度量两个用户行为相似度的基础。本文的主要贡献如下:(1)直接从原始序列出发计算用户行为序列多重集的距离,避免了现有方法在计算频繁序列模式过程中子序列被重复计算而导致最终结果存在偏差的问题。(2)重新定义了基于最长公共序列的行为序列距离计算方法,并证明了该距离是一个度量。(3)定义了用户行为序列多重集之间距离的度量指标,提出了用户行为相似度计算方法。(4)从距离角度出发,重新定义了行为序列多重集之间距离应遵循的基本准则。2 相关概念行为序列通常是用户的一个活动序列,例如,先到餐厅就餐、然后前往教室上课、再到图书馆学习,构成了用户的一个行为序列?餐厅就餐,教室上课,图书馆学习?。用户在某段时间内的行为对应一个行为序列的多重集。下面在该行为序列多重集的基础上,挖掘用户的行为模式,计算用户行为相似度。相关概念如下:定义1  频 繁 项 行 为 序 列 集 和 频 繁 项 行 为 序列。假设用户的原始行为序列多重集为 D,最小频次阈值为α。频繁项行为序列集是由 D 中每个行为序列去除掉其中出现次数小于α 的元素的所有行为序列构成的集合。频繁项行为序列集中的每一个序列就是一个频繁项行为序列。与频繁序列模式挖掘产生的频繁序列有所不同,频繁项行为序列是从用户原始行为序列中删除出现次数小于最小频次阈值α的元素而得到的活动序列。定义2 行为模式。行为模式是一个由二元组6011 林泽东 等:基于序列移动距离的用户行为挖掘与相似度计算数;第13~16行生成用户的行为模式。算法1的时间复杂度主要表现在频繁项行为序列挖掘部分,算法要遍历所有行为序列中的每个用户活动,因此算法1的时间复杂度为 O(qN),其中:N 为行为序列的个数,q为所有序列的最大长度。为了能够更好地理解用户模式的挖掘过程,举一简单例子进行说明。假设用户u的原始行为序列多重集为 D={ABCZ,ABC,BC},最小频次阈值为2。整个挖掘过程包括频繁项行为序列挖掘和行为模式挖掘两个主要步骤。通过频繁项行为序列挖掘过程扫描 D 中所有的行为序列,统计行为序列中各元素的出现频次,删除出现频次小于2的元素 Z,得到频繁项行为序列多重集{ABC,ABC,BC};通过行为模式挖掘过程统计多重集中各频繁项行为序列的重数,最 终 生 成 行 为 模 式 Pu= {(ABC,2),(BC,1)}。5 用户行为相似度计算方法用户行为相似度通过用户行为模式相似度实现。为了计算行为模式的相似度,首先计算行为模式距离。下面介绍行为模式距离的计算方法。5.1 行为模式距离计算用户的行为模式由行为序列构成。行为模式距离计算过程中需要计算行为序列之间的距离,因此首先定义行为序列之间的距离。为了使两个行为序列的公共子序列更长、相似度更大、两个行为序列之间的距离更小,将行为序列间的距离定义如下:定义4 行为序列距离。两个行为序列 S1和S2 的距离定义为Dseq(S1,S2)=1-|lcs(S1,S2)||S1|+|S2|-|lcs(S1,S2)|。(1)式中:|S|为行为序列S 的长度,lcs(S1,S2)为两个行为序列S1和S2的最长公共子序列。实际上,式(1)中的|lcs(S1,S2)||S1|+|S2|-|lcs(S1,S2)|可以用来衡量两个行为序列S1和S2的相似程度。当S1 和S2相同即lcs(S1,S2)=1时,Dseq(S1,S2)=0;当S1和S2没有任何公共序列即lcs(S1,S2)=0时,Dseq(S1,S2)=1。定理1 行为序列距离是一个度量。证明 设edit(x,y)是两个行为序列x 和y 之间的编辑距离。根据式(1)有Dseq(S1,S2)=1-|lcs(S1,S2)||S1|+|S2|-|lcs(S1,S2)|=|S1|+|S2|-2|lcs(S1,S2)||S1|+|S2|-|lcs(S1,S2)|=2|S1|+2|S2|-4|lcs(S1,S2)|2|S1|+2|S2|-2|lcs(S1,S2)|。 (2)将文献[10]的结论edit(S1,S2)=|S1|+|S2|-2|lcs(S1,S2)|代入式(2),得到Dseq(S1,S2)=2edit(S1,S2)|S1|+|S2|+edit(S1,S2)。(3)式(3)已经被文献[11]证明是一个度量且是一个归一化编辑距离,因此 Dseq(S1,S2)是一个度量。定义5  行为模式 距离。设 Pu= {(p1,wp1),…,(pm,wpm)},Pv={(q1,wq1),…,(qn,wqn)}是两个用户的行为模式,fij为行为序列pi到qj的转换量,Dseq(pi,qj)为pi和qj之间的行为序列距离,则Pu和Pv之间的行为模式距离为Dpat(Pu,Pv)= min∑mi=1∑nj=1fijDseq(pi,qj)。s.t.∑nj=1fij =wpi∑mi=1wpi,1≤i≤ m;∑mi=1fij =wqj∑nj=1wqj,1≤j≤n,fij ≥0。若将两个行为模式分别看作是一些土坑和一些土堆,则行为模式距离实际上是分别对土堆和土坑容量进行归一化后,用土堆填满土坑所需的最小运输费用。其中,土堆与土坑之间的距离就是其对应的行为序列之间的行为序列距离。下面结合图2中的例子对行为模式距离的概念进行说明。图2中的两个用户行为模式分别为 Pu={(A,1),(B,1)},Pv={(A,1),(B,3)}。行为模式距离计算过程中,首先将 Pu和Pv的频次进行归一化,然后计算 Pu转换成Pv的 EMD。因为行为序列距离是对称的,即 Dseq(pi,qj)=Dseq(qj,pi),所以行为模式距离也是对称的。因此,源和目的行为模式的选择不影响行为模式距离的计算。允许 Pu中的行为序列pi以归一化的频次为数量,部分或全部转换到 Pv中的任意一个行为序列qj,单位转换代价为行为序列距离 Dseq(pi,qj)。整个计算过程的目标是将寻求一个最优的转换方案fij,使得将 Pu完全转换成Pv的总费用最小。6013计算机集成制造系统 第23卷(X,β)构成的集合,其中:X 为频繁项行为序列,β为该频繁项行为序列的频次。定义3 度量[9]。假设S 是一个集合,函数d:S×S→R+∪{0}。对于任意的 x,y,z∈S,函数 d满足:①自相似公理,x=y,d(x,y)=0;② 正性公理,x≠y,d(x,y)>0;③ 对称性公理,d(x,y)=d(y,x);④三角不等公理,d(x,z)≤d(x,y)+d(y,z)。则称函数d 为S 上的一个度量。3 基于序列移动距离的用户行为挖掘与相似度计算框架基于 序 列 移 动 距 离 (Sequence Movers Dis-tance,SMD)的用户行为挖掘与相似度计算方法的整体框架如图1所示,主要包括用户行为挖掘和用户行为相似度计算两部分。用户行为通过用户的行为模式来建模和表示,用户行为挖掘本质上是从用户原始的行为序列多重集中挖掘用户的行为模式,包括频繁项行为序列挖掘和行为模式挖掘两个步骤。频繁项行为序列挖掘是根据用户设定的最小频次阈值α,删除用户原始行为序列多重集中频次小于α的元素,得到用户频繁项行为序列集;行为模式挖掘则是计算用户所有的不同频繁项行为序列和频次,生成用户的行为模式。用户行为相似度计算主要包括行为模式距离计算和行为相似度计算两个步骤。行为模式距离计算过程中涉及到用户行为序列之间的距离,因此应首先定义和计算行为序列之间的距离,然后根据行为序列间的距离和频次计算两个用户行为模式之间的距离;用户行为相似度即为行为模式相似度,在用户行为相似度计算过程中,采用行为模式距离与行为模式相似度之和为 1 来计算用户行为模式的相似度,最终得到用户行为相似度。4 用户行为挖掘通过挖掘用户行为序列的频繁序列模式,可以对用户的行为进行建模。然而,由于向下闭包属性,频繁序列模式挖掘过程产生了许多频繁子序列,这些频繁子序列导致最终的相似度结果存在偏差[4]。为了避免上述问题,本文利用用户模式建模用户行为。用户行为挖掘的主要任务是从用户原始的行为序列中挖掘出用户的行为模式,具体算法如下:算法1 行为模式挖掘算法。输入:用户原始行为序列多重集 D,最小频次阈值α。输出:行为模式。1.令数组 b:=[0,…,0] //其中|b|=N,N 表示所有用户活动(序列中的元素)数2.FOREACH(序列s∈D)3.  c:=[0,…,0] //|b|=|c|4.  统计s中各个用户活动的频次,将频次赋值给数组c5.  b:=b+c6.令序列多重集 Ψ:=7.FOREACH(序列s∈D)8.  根据c的统计结果,删除s中频次小于α的用户活动得到序列s′9.  Ψ:=Ψ∪{s′}10.建立哈希表hashmap来存储行为模式和频次11.FOREACH(频繁项序列s∈Ψ)12.  s的频次加一:hashmap.put(s,hashmap.get(s)+1)13.初始化行为模式 P:=14.FOREACH(频繁项序列s in hashmap.keys)15.  P:=P∪{(s,hashmap.get(s))}16.返回行为模式 P算法1由频繁项行为序列挖掘和行为模式挖掘两部分组成。第1~9行是频繁项行为序列挖掘过程:第1~5行计算用户的所有行为序列中各用户活动的频次;第6~9行删除行为序列中频次小于最小频次阈值的用户活动,得到频繁项行为序列多重集。第10~16行利用哈希技术挖掘用户的行为模式:第10~12行统计多重集中各个频繁项行为序列的重6012期:2016-06-28;修订日期:2016-08-28。Received 28June 2016;accepted 28Aug.2016.基金 项 目:国 家 自 然 科 学 基 金 资 助 项 目 (61602279,61170079,61202152,61472229);山 东 省 科 技 发 展 计 划 资 助 项 目 (2014GGX101035,2016ZDJS02A11);山东省自然科学基金资助项目(BS2014DX013,ZR2015FM013);同济大学嵌入式系统与服务计算教育部重点实验室开放课题资助项目(ESSCKF201403);山东省博士后创新专项资金资助项目(201603056);山东科技大学领军人才与优秀科研团队计划资助项目(2015TDJH102)。Foundation items:Project supported by the National Natural Science Foundation,China(No.61602279,61170079,61202152,61472229),the Science & Technology Development Fund of Shandong Province,China(No.2014GGX101035,2016ZDJS02A11),the Shandong Provincial Natural Science Foundation,China(No.BS2014DX013,ZR2015FM013),theOpen Project Foundation of Key Laboratory of Embedded System and Service Computing of Ministry of Education in Tongji Univer-sity,China(No.ESSCKF201403),the Shandong Provincial Postdoctoral Innovation Project,China(No.201603056),and theSDUST Research Fund,China(No.2015TDJH102).基于序列移动距离的用户行为挖掘与相似度计算林泽东1,鲁法明1,段 华2+(1.山东科技大学 信息科学与工程学院,山东 青岛 266590;2.山东科技大学 数学与系统科学学院,山东 青岛 266590)摘 要:为了对用户的行为进行相似性度量,从用户行为流程产生的行为序列出发计算用户行为的相似度。将推土机距离算法应用到用户行为相似度的计算领域,提出用户行为相似度计算的序列移动距离方法。首先定义了基于最长公共子序列的用户行为序列距离度量方法;其次定义了用户行为序列多重集之间距离的度量指标,在此基础上提出用户行为相似度计算的 SMD 方法;最后提出行为序列多重集之间距离度量应遵循的基本准则。在人工和真实数据集上进行了实验,实验结果表明了所提方法的有效性。关键词:用户行为挖掘;用户行为相似度;相似性度量;EMD 距离;序列移动距离中图分类号:TP301   文献标识码:AUser behavior mmining and similarity computation based on sequence movers distanceLIN Zedong1,LU Faming1,DUAN Hua2+(1.College of Information Science and Engineering,Shandong University of Science and Technology,Qingdao 266590,China;2.College of Mathematics and Systems Science,Shandong University of Science and Technology,Qingdao 266590,China)Abstract:To measure the similarity of user behavior,the user behavior similarity was calculated from the perspectiveof behavior sequence generated by users behavior process.Specifically,Sequence Movers Distance(SMD)methodwas proposed by applying Earth Movers Distance(EMD)algorithm to the field of measuring user behavior similari-ty.The method to measure user behavior sequence distance based on longest common subsequence was defined;thenthe metrics distance between multiple sets for user behavior sequence was defined,and SMD method to measure userbehavior similarity was proposed;some basic principles to measure the distance between multiple sets for user be-havior sequence were proposed.Experiments on both artificial and real data sets demonstrated the effectiveness ofthe proposed method.Keywords:user behavior mining;user behavior similarity;similarity measure;earth movers distance;sequencemovers distance计算机集成制造系统 第23卷定理2 行为模式距离是一个度量。证明 行为模式距离本质上是一个运输总量为1的 EMD 的一个特例。根据文献[6]的结论,若基距离是一个度量并且两个分布的总量相等,则 EMD就是一个度量。在行为模式距离中,基距离是行为序列距离。定理1已经证明行为序列距离是一个度量,因此行为模式距离是一个度量。5.2 行为模式距离求解算法行为模式距离是 EMD 的一个特例,也是一个产销平衡的运输问题,因此一定存在最优解。运输问题是最小费用流问题的一个特例,可以利用最小费用流问 题 的 求 解 方 法 进 行 求 解,具 体 求 解 过 程如下:算法2 Dpat(Pu,Pv)。输入:两个行为模式 Pu,Pv。输出:两个行为模式之间的距离。1.A:={pi|(pi,wpi)∈Pu},B:={qj|(qj,wqj)∈Pv}2.分别将 A,B中的频次归一化,乘公共系数α使频次整数化3.FOREACH(pi∈A) //遍历 A 中的序列,以序 列 为 节 点 构建运输费用网络4.  建立顶点pi5.  FOREACH(qj∈B)6.    建立顶点qj和 有 向 边(pi,qj),更 新 边(pi,qj)的 费 用cij:=Dseq(pi,qj)7.令数组b:=[wp1,…wpm,-wq1,…-wqn]8.bmax:=max{wpi,wqj},γ:=2log(bmax),fij:=09.若b=0,则转17行,否则10.  选择一个pi∈A,使b[i]≥γ11.  选择一个qj∈B,使b[i+j-1]≤-γ12.  若不存在这样的pi或qj,则转15行13.在残留网络[12]Gf 中寻找一条费用最小边14.b[i]:=b[i]-γ,b[i+j-1]:=b[i+j-1]+γ,fij:=fij+γ,转9行15.若γ=1,则转17行16.  否则,γ:=γ/2,转9行17.返回∑mi=1∑nj=1fijcijα算法2主要包括构造运输费用网络[12](第3~6行)和求解运输费用网络最小费用流(第7~17行)两个步骤。运输费用网络构造过程就是根据两个行为模式构造一个运输费用网络。其中,节点表示行为模式中的频繁项行为序列,两个行为模式中的任意行为序列之间都会建立有向边,边的运输代价为两个行为序列之间的距离。运输费用网络构造过程中的计算代价主要表现在计算边的费用,而计算边的费用主要是求解两个序列的最长公共子序列。根据文献[13],求解两个序列的最长公共子序列的时间复杂度为 O(rl),其中:r为两个序列最长公共子序列的长度,l为两个序列的最大长度。因此,构造运输费用网络的最坏情况时间复杂度为O(pqmn),其中:n和 m 分别为两个行为模式中行为序列的个数,p为所有最长公共子序列的最大长度,q为所有序列的最大长度。最小费用流求解主要利用容量缩放增广路算法(CapacityScaling Algorithm,CSA)[12]求最小费用流问题,该网络的最小运输费用即为两个行为模式的距离。根据文献[12],求解最小费用流的时间复杂度为 O(s(mn+slog s)log(2+bmax)),其中:s=m+n,n和 m 分别为两个行为模式中行为序列的个数,bmax为两个用户行为序列的最大频次。因此,行为模式距离计算过程的最坏情况时间复杂度为 max{O(pqN2),O(N2(N+2log 2 N)log(2+bmax))},其中 N 为两个用户的用户行为的最大数目,其他参数同上。6 实验评测基于频繁序列模式的 CPS方法在用户相似度计算方面取得了丰富的成果,文献[7]已经对 CPS方法与之前的相关工作进行了对比,并展示了 CPS方法的优越性。下面将本文方法与 CPS进行对比分析,以显示本文工作的有效性。首先分析两者在距离度量准则满足性和算法复杂度方面的表现;然后以2014年成都电子科技大学主办的大数据挖掘大赛“学生成绩排名预测”中的公开数据为应用实例(http://www.pkbigdata.com/common/competi-tion/127.html),对比两者在学 生 日常行为 相似度检索准确率方面的表现。6.1 SMD与 CPS对基本准则满足情况的对比距离与相似度是衡量两个对象差异程度的两个指标,两者可以相互转换。关于距离存在一些公认的基本准则,下面分别分析 SMD 和 CPS对这些基本准则的满足情况。定义6 基本准则。设 Pu和Pv为两个行为模式,则 Pu和Pv的行为模式距离Dpat(Pu,Pv)应满6014第5期 林泽东 等:基于序列移动距离的用户行为挖掘与相似度计算足以下 基 本 准 则:①Dpat(Pu,Pv)∈ [0,1];②Dpat(Pu,Pv)=1SS(Pu)∩SS(Pv)= ;③Dpat(Pu,Pv)=0;④Dpat(Pu,Pv)是一个度量。其中:Pu表示Pu中所有行为序列构成的集合,即Pu={X|(X,β)∈Pu};SS(S)表示由行为序列集合S 中行为序列的所有子序列构成的集合。准则1规定了该距离标准值的范围。准则2说明了当两个用户没有任何公共行为子序列时,两个用户之间的距离为1。准则3说明了两个行为模式完全相同时两者之间的距离为0。准则4要求该距离标准是一个度量,即满足非负性、对称性和三角不等式3个度量公理。距离标准是否为一个度量对于该距离标准应用非常重要,因为度量对很多算法是必须的。基本准则中没有定义类似文献[7]中规则7的准则,其原因是规则7的定义不够全面,只考虑了序列,而未考虑序列频次信息。由于 CPS方法计算的结果是相似度,为了对比分析两种方法对距离基本准则的满足情况,下面采用最常用的相似度与距离之和为1的方法将相似度转化为距离。实验所构造的人工数据集包括7个行为模式,其中前5个来自文献[7]。Pu1={(A,3),(B,3),(C,4),(AB,1)};Pu2={(A,2),(B,2),(C,4),(AB,2)};Pu3={(A,1),(B,1),(C,4),(AB,3)};Pu4={(A,1),(B,1),(C,4),(BA,3)};Pu5={(A,1),(D,1),(C,4),(AD,3)};Pu6={(ABCDEFGHIJ,1)};Pu7={(A,1)}。实验中最小频次阈值设置为 1,两种方法计算的行为模式距离矩阵如表1所示。表1 SMD和 CPS得到的行为模式距离矩阵SMD  CPSPu1 Pu2 Pu3 Pu4 Pu5 Pu6 Pu7 Pu1 Pu2 Pu3 Pu4 Pu5 Pu6 Pu7Pu1 0  0.09  0.20  0.25  0.41  0.89  0.68  0  0.04  0.07  0.24  0.5  0.99  0.79Pu2 0.09  0  0.11  0.24  0.38  0.88  0.70  0.04  0  0.03  0.29  0.53  0.99  0.80Pu3 0.20  0.11  0  0.22  0.33  0.87  0.72  0.07  0.03  0  0.33  0.56  0.99  0.81Pu4 0.25  0.24  0.22  0  0.33  0.90  0.72  0.24  0.29  0.33  0  0.56  0.99  0.81Pu5 0.41  0.38  0.33  0.33  0  0.87  0.72  0.5  0.53  0.56  0.56  0  0.99  0.81Pu6 0.89  0.88  0.87  0.90  0.87  0  0.90  0.99  0.99  0.99  0.99  0.99  0  0.99Pu7 0.68  0.70  0.72  0.72  0.72  0.90  0  0.79  0.80  0.81  0.81  0.81  0.99  0从表1所示的实验结果可以发现两种方法的相同之处:①对于相同的行为模式,两种方法得到的行为模式之间的距离均为0。②两种方法计算出的结果绝对数值没有特别离谱的情况,数值大小差异不大。因此,从文献[7]的人工数据集的实验结果来看,SMD 方法表现得也不错。然而,两种方法有两个明显的不同之处:①从表1的 CPS方法得到的行为模 式 距 离 的 结 果 看,Dpat(Pu2,Pu3)+Dpat(Pu2,Pu4)<Dpat(Pu3,Pu4),说明 CPS方法不满足三角不等式,因此 CPS方法不满足准则4。②从 Pu6和 Pu7的相似度结果看,SMD 得到的相似度结果是 0.1,而 CPS的相似度结果是0.01,两种方法得到的结果大小有10 倍的差距。CPS 结果的输出明显偏小,原因是 CPS 在 计算频繁序 列模式产生的过 程 中,Pu6中的行为序列产生了许多子序列,子序列参与相似度计算,使最终结果存在偏差。下面验证SMD 方法符合提出的基本准则。很容易验证SMD 方法满足基本原则1~原则3,定理2验证了SMD 方法满足准则4。为了验证准则5,假设 PvPuPw,Pw相比Pu增加了非公共行为序列或公共行为序列的频次,并且增加部分的单位转换费用为 Pv和 Pw中 行 为 序 列 距 离 的 最 大 值。相对于 Pv转换为Pu,Pv转换为Pw的单位转换费用有所增加。因此,SMD 满足准则5。通过对实验结果的比较分析,将两种方法对基本准则的满足情况进行总结,如表2所示。表2 SMD与 CPS对准则满足情况对比准则1 准则2 准则3 准则4 准则5SMD √ √ √ √ √CPS √ √ √ × √6015

[返回]
上一篇:基于计算方法的抗菌肽预测
下一篇:基于迁移鲁棒稀疏编码的图像表示方法