.png){kind=icon}
返回
Top-K Representative Search for Comparative Tree Summarization
.png){kind=icon}
OA
AI
DOI：10.1109/TKDE.2025.3565845.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据摘要旨在利用小规模摘要来整体表示海量数据集，这对可视化和信息摘要生成很有用。然而，大多数现有的层次化摘要研究仅通过选择k个代表性节点来处理一个单棵树，这忽视了比较两棵树摘要的一个重要问题。在本文中，给定具有相同拓扑结构但节点权重不同的两棵树，我们旨在找到k个代表性节点，其中k1个节点总结它们之间的共同关系，k2个节点同时突出显著不同的子树，并且满足k1+k2=k。为了优化摘要结果，我们引入一个缩放系数，以根据相似性和差异来平衡两棵子树的摘要视图。此外，我们提出了一种基于Hellinger距离的新定义，以量化两棵子树之间的节点分布差异。我们提出了一个贪心算法SVDT，以高效的方式保证近似地找到高质量结果。此外，我们探索了我们比较摘要的扩展，以处理具有不同结构的两棵树。广泛的实验表明，与现有的摘要竞争方法相比，我们的SVDT算法的有效性和效率。
Keyword:
Tree summarization
top-k diversification
hellinger distance
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
Efficient and Optimal Algorithms for Tree Summarization With Weighted Terminologies具有加权术语的树摘要的高效和最佳算法OAAI
OAAI分享收藏
查看更多内容