基于有权重超图的离群点检测

基于有权重超图的离群点检测

张强¹, 李永丽², 董立岩³, 李威³，张晓辉⁴

1. 白城师范学院计算机系, 吉林省白城 137000; 2. 东北师范大学计算机学院, 长春 130024; 3. 吉林大学计算机科学与技术学院, 长春 130012； 4. 长春市公安消防支队，长春 130062

收稿日期:2007-01-30 修回日期:1900-01-01 出版日期:2007-07-26 发布日期:2007-07-26
通讯作者: 李永丽

Outlier Testing Methods Based on Weighted Hypergraph

ZHANG Qiang¹, LI Yongli², DONG Liyan³, LI Wei³, ZHANG Xiao hui⁴

1. Department of Computer, Baicheng Teachers College, Baicheng 137000, Jilin Province, China;2. School of Computer Science, Northeast Normal University, Changchun 130024, China;3. College of Computer Science and Technology, Jilin University, Changchun 130012, China;4. Changchun Public Security Bureau, Changchun 130062, China

Received:2007-01-30 Revised:1900-01-01 Online:2007-07-26 Published:2007-07-26
Contact: LI Yongli

摘要/Abstract

摘要： 基于有权重支持度框架的关联规则挖掘算法和超图分割算法, 给出一种新的基于有权重超图模型的离群点检测算法WHOT(Weighted Hypergraphbased Outlier Test). WHOT算法根据有权重支持度的定义, 重新设计了基于有权重支持度框架的关联规则挖掘算法, 并挖掘出数据集中的重要关联规则, 形成超图. 在超图上应用超图分割算法, 得到聚类集合, 再结合项权重和事务权重的定义, 判断一条记录是否为离群数据.

关键词: 数据挖掘, 离群点, 超图, 权重

Abstract: The paper presents an algorithm called WHOT (Weighted Hypergraphbased Outlier Test), which is based on weighted association rule mining algorithm and hypergraph partitioning algorithm. The association rule mining algorithm was redesigned. Hypergraph was constructed by mining significant association rules in data set. Cluster set was obtained by using the hypergraph partitioning algorithm. After that we defined the measures to judge whether a vertex in hypergraph or a record in dataset is an outlier.

Key words: data mining, outlier, hypergraph, weight

中图分类号:

TP18

张强, 李永丽, 董立岩, 李威，张晓辉. 基于有权重超图的离群点检测[J]. J4, 2007, 45(04): 611-616.

ZHANG Qiang, LI Yongli, DONG Liyan, LI Wei, ZHANG Xiao hui. Outlier Testing Methods Based on Weighted Hypergraph[J]. J4, 2007, 45(04): 611-616.

[1]	李蛟, 王紫薇, 范丽丽, 赵宏伟. 针对苹果树叶病害图像分类的小样本学习方法[J]. 吉林大学学报(理学版), 2022, 60(4): 906-910.
[2]	董立岩, 修冠宇, 马佳奇. 基于权重调节和用户偏好的协同过滤算法[J]. 吉林大学学报(理学版), 2020, 58(3): 599-604.
[3]	刘良凤, 刘三阳. 基于权重差异度的动态模糊聚类算法[J]. 吉林大学学报(理学版), 2019, 57(3): 574-582.
[4]	王辉, 戴田旺, 茹鑫鑫, 娄亚龙, 敖山. 基于OptimizedAG的节点攻击路径预测方法[J]. 吉林大学学报(理学版), 2019, 57(04): 917-926.
[5]	金晓民, 张丽萍. 基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用[J]. 吉林大学学报(理学版), 2018, 56(5): 1187-1192.
[6]	冯锋, 张珑耀, 张青. 基于软集上逻辑公式的极大关联规则描述与挖掘方法[J]. 吉林大学学报(理学版), 2018, 56(4): 901-908.
[7]	王玲娣, 徐华. 一种基于聚类和AdaBoost的自适应集成算法[J]. 吉林大学学报(理学版), 2018, 56(4): 917-924.
[8]	匡珍春, 冼远清. 基于XML配置框架下多维度扩展贪心算法[J]. 吉林大学学报(理学版), 2018, 56(3): 688-691.
[9]	尚靖博, 左万利. 基于清晰有理数均值的新匹配聚类算法[J]. 吉林大学学报(理学版), 2018, 56(2): 399-401.
[10]	周鹏, 熊运余. 基于数据挖掘的网络状态异常检测[J]. 吉林大学学报(理学版), 2017, 55(05): 1269-1273.
[11]	王文霞. 数据挖掘中改进的C4.5决策树分类算法[J]. 吉林大学学报(理学版), 2017, 55(05): 1274-1277.
[12]	刘振, 周先存. 基于独立权重和分级变异策略的粒子群算法[J]. 吉林大学学报(理学版), 2017, 55(02): 333-339.
[13]	刘颖, 王丽敏, 姜建华, 赵成丽, 张池军, 孙铁铮. 基于离群点剔除的SVM信用风险评价方法[J]. 吉林大学学报(理学版), 2016, 54(06): 1395-1400.
[14]	封京梅, 刘三阳. 基于惯性权重指数递减的粒子群优化算法求解绝对值方程[J]. 吉林大学学报(理学版), 2016, 54(06): 1265-1269.
[15]	董立岩, 张高祥, 孙博, 郎一宁. 从自然语言向SPARQL语言映射的歧义消解算法[J]. 吉林大学学报(理学版), 2016, 54(03): 535-538.