申请/专利权人：北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司

申请日：2018-04-04

公开（公告）日：2024-06-21

公开（公告）号：CN110362603B

主分类号：G06F16/2458

分类号：G06F16/2458;G06F16/9536

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2021.02.02#实质审查的生效;2019.10.22#公开

摘要：本发明公开了一种特征冗余性分析方法、特征选择方法和相关装置，涉及计算机技术领域。该方法的一具体实施方式包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值；根据有向冗余度量值，得到特征冗余性分析结果。该实施方式能为样本质量和可用性分析提供数值参考，一定程度上克服冗余特征间的相互包含关系，降低网络结点关系冗余，降低冗余特征对结点间连接权重的加强，真实刻画结点关联关系，提高网络表达能力，降低网络复杂度，提高社区划分准确性，有效提高社区发现效率，适应应用需求。

主权项：1.一种特征冗余性分析方法，其特征在于，包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。

全文数据：一种特征冗余性分析方法、特征选择方法和相关装置技术领域本发明涉及计算机技术领域，尤其涉及一种特征冗余性分析方法和装置以及特征选择方法和装置。背景技术在传统的数据挖掘算法中，在特征提取阶段，往往要求特征与特征之间是相互独立的。比如常见的贝叶斯网络，只有在特征相互独立的情况下，才能实现特征之间的简单组合，达到很好的分类识别效果。同样在一些非监督学习中，特征之间相互独立可以更好地从不同侧面来表征目标，在有限的特征维度下获取更多的目标信息。目前成熟的特征冗余性分析方案主要包含两个方面，一是通过计算特征之间的相关性大小来刻画特征的冗余程度，二是直接通过特征聚类获取类中心或者PCA等降维手段来去除特征之间的冗余性。然而在实际的应用中，尤其是在基于多模态网络结构的社区发现算法中，由于结点与结点之间不是同质的，结点间的相关性无法通过传统的向量相似性度量来表征，此时特征多呈现非结构化特点。即使是同质的网络结点，由于大量非结构化特征的存在，也很难将这些非结构化特征一一结构化、归一化。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：由于社区发现中大量非结构化特征的存在，现有方案无法直接用到社区网络中表征结点关系的特征之间的冗余性分析，从而无法降低因特征冗余导致的网络结点间关系冗余，网络复杂度高，由于社区网络中冗余特征的存在导致社区划分结果不准确，无法适应应用需求，社区发现效率低。发明内容有鉴于此，本发明实施例提供一种特征冗余性分析方法和装置以及特征选择方法和装置，能够定量分析网络关系特征之间的冗余度，提供可总体衡量特征间冗余度大小的综合指标，为样本质量和可用性分析提供数值参考，在一定程度上克服冗余特征之间的相互包含关系，为特征选择提供依据，降低因特征冗余导致的网络结点间关系冗余，降低冗余特征对结点间连接权重的无谓加强，进而可真实刻画结点间关联关系，提高网络表达能力，降低网络复杂度，进而提高社区划分的准确性，在大数据环境尤其是在海量数据环境下，能有效提高社区发现的效率，增强社区发现模型的实用性，很好地适应应用需求。为实现上述目的，根据本发明实施例的一个方面，提供了一种特征冗余性分析方法。一种特征冗余性分析方法，包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。可选地，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值的步骤，包括：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。可选地，所述第一方向冗余度量值指示所述第一特征被所述第二特征包含的程度，所述第二方向冗余度量值指示所述第二特征被所述第一特征包含的程度。可选地，所述冗余性分析结果包括所述特征集中存在冗余的特征集合，根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果的步骤，包括：根据所述第一方向冗余度量值与第一阈值的第一比较结果，以及所述第二方向冗余度量值与第二阈值的第二比较结果，得到所述特征集中存在冗余的特征集合。可选地，所述冗余性分析结果包括所述特征集中不同类型的两特征的冗余度，根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果的步骤，包括：根据所述第一方向冗余度量值和所述第二方向冗余度量值，确定所述特征集中不同类型的两特征间的特征冗余性度量值；根据所述特征冗余性度量值，得到所述特征集中不同类型的两特征的冗余度。根据本发明实施例的另一方面，提供了一种特征选择方法。一种特征选择方法，包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。可选地，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值的步骤，包括：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。可选地，所述第一方向冗余度量值指示所述第一特征被所述第二特征包含的程度，所述第二方向冗余度量值指示所述第二特征被所述第一特征包含的程度。可选地，根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合的步骤，包括：对于所述特征集中任意的所述第一特征和第二特征：如果所述第一方向冗余度量值大于第一阈值，且所述第二方向冗余度量值小于或等于第二阈值，则滤除所述第一特征；如果所述第一方向冗余度量值小于或等于第一阈值，且所述第二方向冗余度量值大于第二阈值，则滤除所述第二特征；根据所述特征集中除被滤除的特征之外的剩余特征，得到所述所选特征的集合。根据本发明实施例的又一方面，提供了一种特征冗余性分析装置。一种特征冗余性分析装置，包括：聚集性分析模块，用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；有向冗余度量模块，用于根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；冗余性分析模块，用于根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。可选地，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，所述有向冗余度量模块还用于：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。可选地，所述冗余性分析结果包括所述特征集中存在冗余的特征集合，所述冗余性分析模块还用于：根据所述第一方向冗余度量值与第一阈值的第一比较结果，以及所述第二方向冗余度量值与第二阈值的第二比较结果，得到所述特征集中存在冗余的特征集合。可选地，所述冗余性分析结果包括所述特征集中不同类型的两特征的冗余度，所述冗余性分析模块还用于：根据所述第一方向冗余度量值和所述第二方向冗余度量值，确定所述特征集中不同类型的两特征间的特征冗余性度量值；根据所述特征冗余性度量值，得到所述特征集中不同类型的两特征的冗余度。根据本发明实施例的又一方面，提供了一种一种特征选择装置。一种特征选择装置，包括：聚集性分析模块，用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；有向冗余度量模块，用于根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；特征选择模块，用于根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。可选地，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，所述有向冗余度量模块还用于：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。可选地，所述特征选择模块还用于：对于所述特征集中任意的所述第一特征和第二特征：如果所述第一方向冗余度量值大于第一阈值，且所述第二方向冗余度量值小于或等于第二阈值，则滤除所述第一特征；如果所述第一方向冗余度量值小于或等于第一阈值，且所述第二方向冗余度量值大于第二阈值，则滤除所述第二特征；根据所述特征集中除被滤除的特征之外的剩余特征，得到所述所选特征的集合。根据本发明实施例的又一方面，提供了一种电子设备。一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明提供的特征冗余性分析方法或特征选择方法。根据本发明实施例的又一方面，提供了一种计算机可读介质。一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的特征冗余性分析方法或特征选择方法。上述发明中的一个实施例具有如下优点或有益效果：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值；根据有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。其中，根据特征冗余性度量值，得到特征集中不同类型的两特征的冗余度，能够定量分析网络关系特征之间的冗余度，提供可总体衡量特征间冗余度大小的综合指标，为样本质量和可用性分析提供数值参考；根据第一方向冗余度量值与第一阈值的第一比较结果，以及第二方向冗余度量值与第二阈值的第二比较结果，得到特征集中存在冗余的特征集合。在一定程度上克服冗余特征之间的相互包含关系，为特征选择提供依据。对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值；根据特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。能够降低因特征冗余导致的网络结点间关系冗余，降低冗余特征对结点间连接权重的无谓加强，进而可真实刻画结点间关联关系，提高网络表达能力，降低网络复杂度，进而提高社区划分的准确性，在大数据环境尤其是在海量数据环境下，能有效提高社区发现的效率，增强社区发现模型的实用性。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本发明，不构成对本发明的不当限定。其中：图1是根据本发明实施例的特征冗余性分析方法的主要步骤示意图；图2是根据本发明实施例的特征选择方法的主要步骤示意图；图3是根据本发明实施例的特征冗余性分析装置的主要模块示意图；图4是根据本发明实施例的特征选择装置的主要模块示意图；图5是本发明实施例可以应用于其中的示例性系统架构图；图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。在社区发现中，常见的网络有两种，一种是单模态网络即网络中的结点属于同一种类型，如账号网络，一种是多模态网络网络中的结点包含多种类型，如账号、收货手机、下单设备等所组成的混合网络。在单模态网络中，结点与结点间的关系表征有两种方式。一种是每个结点通过一定维度的欧氏空间的向量表征，结点之间的关系强弱通过向量间的距离欧氏距离，余弦距离等来度量。而另一种是通过结点之间共同的行为或者包含共同的特征来表征。即具有共同的行为或包含相同的特征则产生一条关系，关系的强弱有特征本身的强弱来表示。在多模态网络中，不同类型结点之间的关系可通过结点之间的关联强度来表征，例如一个账号和收货手机之间的关系强弱可以通过这个账号使用该收货手机的频度来衡量。可见，在社区发现中，更多的是关注可表征结点与结点之间关系的特征。本发明实施例对社区发现中的特征冗余性分析即重点关注由特征所衍生的结点与结点之间关系的冗余性，主要针对社区发现中的非结构化特征，通过一种无监督学习方法，定量分析网络关系特征之间的冗余度，为特征选择提供依据，降低因特征冗余导致的网络结点之间关系冗余，提高网络的表达能力，进而提高社区划分的准确性。图1是根据本发明实施例的特征冗余性分析方法的主要步骤示意图。如图1所示，本发明实施例的特征冗余性分析方法主要包括如下的步骤S101至步骤S103。步骤S101：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，该多个初始社区网络根据特征集中各特征类型构建。本发明实施例在给定样本集的基础上，通过各单维度的特征类型构建初始社区网络。给定样本集的所有特征构成特征集，每个特征对应一个特征类型。例如，以账号样本集为网络结构主体，那么，账号样本下的两个特征类型分别为手机和下单设备，账号样本集对应的特征集包括各手机号码例如13811111111和各下单设备ID标识等具体的特征。在电商平台中，两个账号之间的关联性可通过收货手机和下单设备进行关联。通常情况下，两个账号若具有相同的下单设备，那收货手机也可能相同。那么下单设备和收货手机两个特征具有一定的共现性，在关系表征的时候表现出一定的冗余性。为了度量这两个特征的冗余性，分别构建多账号的手机网络和下单设备网络两个初始社区网络。其中，以手机构建的初始社区网络中的账号样本只包括手机这一类型特征，以下单设备构建的初始社区网络中的账号样本只包含下单设备这一类型特征。通过对上述初始社区网络中的样本进行聚集性分析，可以评估各初始社区网络在各特征下的样本聚集性情况，得到各初始社区网络的样本聚集结果。为了排除样本聚集结果阈值等参数带来的影响，本发明实施例采用基于最大连通的聚集性分析方法，聚集性分析的结果是将初始社区网络中的样本划分到各个社区。在最大连通的聚集性分析方法中，对于网络G＝{V,E}中的任意两个结点vi和vj，其中，G表示网络，V表示网络G中结点的集合，E表示网络G中所有边的集合，eij表示网络G中结点vi和vj形成的边，若eij0，则结点vi和vj属于同一个社区，简言之，若网络中的两个结点存在关联关系，这可将这两个结点归结为同一个社区。基于最大连通的社区划分具体方法如下：令社区集合C＝{Cj}，j＝1,2,…；j＝1,2,…，k＝1,2,…，为社区Cj的特征集合；L＝1,2,…，表示属于社区Cj的样本集合。对于每一样本V，其特征集合为F＝{Fi}，i＝1,2,…。遍历每一个特征Fi和每一个已有社区Cj：若存在Fi和唯一Cj，使得则表示样本V属于社区Cj。则有：若不存在Cj，使得则新建一个社区CV，若样本V同时属于多个社区，则将该多个社区的特征合并，同时将多个社区的样本合并到一个社区，并将样本V归结到该合并后的社区。直到遍历完特征集合F中的所有特征。步骤S102：根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值。有向冗余度量值可包括第一方向冗余度量值和第二方向冗余度量值。步骤S102具体可以包括：分别通过如下模型确定第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，由于初始社区网络是通过各单维度的特征类型构建的，因此该第一特征和第二特征分别属于不同的初始社区网络。表示第一方向冗余度量值，表示第二方向冗余度量值，第一方向冗余度量值指示第一特征被第二特征包含的程度，第二方向冗余度量值指示第二特征被第一特征包含的程度。A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集。rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，即：其中，S表示总样本集，即特征集对应的给定样本集。∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。样本聚集结果B中与Ai相交的社区，即：与Ai这一样本集中的至少一个样本相同的样本聚集结果B中的样本集对应的社区。每个社区的所有样本构成该社区的样本集。步骤S103：根据有向冗余度量值，得到对特征集中各特征的冗余性分析结果。在一个实施方式中，冗余性分析结果可以包括特征集中存在冗余的特征集合，相应地，步骤S103可以包括：根据第一方向冗余度量值与第一阈值的第一比较结果，以及第二方向冗余度量值与第二阈值的第二比较结果，得到特征集中存在冗余的特征集合。具体地，对于任意的上述第一特征和第二特征，如果满足：第一方向冗余度量值大于第一阈值，且第二方向冗余度量值小于或等于第二阈值，或者，如果第一方向冗余度量值小于或等于第一阈值，且第二方向冗余度量值大于第二阈值，则该第一特征和第二特征为存在冗余的特征组合，特征集中所有存在冗余的特征组合构成该存在冗余的特征集合。本实施方式考虑特征之间的冗余性是有方向性的，即存在特征之间相互包含的情况。以为例，为第一方向冗余度量值，其含义具体表示特征F1被特征F2包含的程度，特征F1被特征F2包含是指具有特征F1，则一定具有特征F2，具有特征F2但不一定具有特征F1。为第二方向冗余度量值，其含义具体表示特征F2被特征F1包含的程度，通常同时具有特征F1和特征F2的社区与单独具有特征F1的社区重合度越高，特征F1被特征F2包含的程度越大。因此，预设两个阈值t1和t2，其中，t1与对应，t2与当特征F1和F2满足：且或者且则特征F1和F2之间是存在冗余关系的，即，F1和F2构成的特征组合是存在冗余的特征组合，特征集中所有存在冗余的特征组合构成存在冗余的特征集合。本实施方式通过进行特征冗余性分析，以得到特征集中存在冗余的特征集合，从而清晰地了解到特征集中有哪些特征之间存在冗余，可以在一定程度上克服冗余特征之间的相互包含关系，为特征选择提供依据。在另一个实施方式中，冗余性分析结果可以包括特征集中不同类型的两特征的冗余度。相应地，步骤S103可以包括：根据第一方向冗余度量值和第二方向冗余度量值，确定特征集中不同类型的两特征间的特征冗余性度量值；根据该特征冗余性度量值，得到特征集中不同类型的两特征的冗余度。具体地，可以通过如下公式得到特征集中不同类型的两特征间的特征冗余性度量值记作RF1,F2：在该RF1,F2的计算公式中，当F1＝F2时，RF1,F2＝1，当F1、F2完全独立时，RF1,F2＝0。可见，RF1,F2越大，表示特征F1、F2之间的冗余性越强，反之，RF1,F2越小，特征F1、F2之间的冗余性越弱，不考虑特征冗余性度量值RF1,F2的方向性，则有RF1,F2＝RF2,F1，则可以通过该对称的冗余性度量模型RF1,F2或RF2,F1来，得到特征集中不同类型的两特征的冗余度。本实施方式通过进行特征冗余性分析，以得到特征集中不同类型的两特征的冗余度，能够定量分析网络关系特征之间的冗余度，提供可总体衡量特征间冗余度大小的综合指标，为样本质量和可用性分析提供数值参考。在传统的社区发现中的社区网络，由于大量冗余特征的存在，导致网络结点与结点间的关联权重不能真实反映结点间的关联关系。本发明实施例在给定样本集的基础上，通过各单维度的特征类型构建初始社区网络，然后将构建的各初始社区网络进行样本聚集性划分，通过各初始社区网络的样本聚集结果的相似性来衡量不同类型的两特征间之间的相似性，进而刻画特征与特征之间的冗余性。例如，通过手机网络和下单设备网络的相似性来刻画下单设备和收货手机这两个特征之间的冗余性。从而能够定量分析网络关系特征之间的冗余度，提供可总体衡量特征间冗余度大小的综合指标，为样本质量和可用性分析提供数值参考，在一定程度上克服冗余特征之间的相互包含关系，为特征选择提供依据。图2是根据本发明实施例的特征选择方法的主要步骤示意图。基于上述的对特征集中特征冗余性的分析，本发明实施例对特征进行选择，以排除冗余特征对社区网络构建的影响，提高社区划分的准确性。如图2所示，本发明实施例的特征选择方法主要包括如下的步骤S101、步骤102和步骤S203。步骤S101：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，该多个初始社区网络根据特征集中各特征类型构建。步骤S102：根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值。有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值。其中，分别通过如下模型确定第一方向冗余度量值和第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，第一方向冗余度量值指示第一特征被第二特征包含的程度，第二方向冗余度量值指示第二特征被第一特征包含的程度。A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。该模型在上述特征冗余性分析方法的实施例中已经详细介绍，此处不再赘述。步骤S203：根据特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。步骤S203具体包括：对于特征集中任意的第一特征和第二特征：如果第一方向冗余度量值大于第一阈值，且第二方向冗余度量值小于或等于第二阈值，则滤除第一特征；如果第一方向冗余度量值小于或等于第一阈值，且第二方向冗余度量值大于第二阈值，则滤除第二特征；根据特征集中除被滤除的特征之外的剩余特征，得到所选特征的集合。根据上述预设两个阈值t1为第一阈值和t2为第二阈值，其中，t1与对应，t2与如果且则滤除特征F1；同理，如果且则滤除特征F2。本发明实施例基于分析特征之间的冗余性，对特征进行选择，以提取最有代表性的特征即所选特征，并反馈到社区网络构建过程中，排除冗余特征对社区网络构建的影响，降低因特征冗余导致的网络结点间关系冗余，降低冗余特征对结点间连接权重的无谓加强，进而可真实刻画结点间关联关系，提高网络表达能力，降低网络复杂度，进而提高社区划分的准确性，在大数据环境尤其是在海量数据环境下，能有效提高社区发现的效率，增强社区发现模型的实用性。图3是根据本发明实施例的特征冗余性分析装置的主要模块示意图。如图3所示，本发明实施例的特征冗余性分析装置300主要包括：聚集性分析模块301、有向冗余度量模块302、冗余性分析模块303。聚集性分析模块301用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，该多个初始社区网络根据特征集中各特征类型构建。有向冗余度量模块302用于根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值。有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值。有向冗余度量模块302具体可以用于：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。冗余性分析模块303用于根据有向冗余度量值，得到对特征集中各特征的冗余性分析结果。在一个实施方式中，冗余性分析结果包括所述特征集中存在冗余的特征集合，相应地，冗余性分析模块303具体用于：根据第一方向冗余度量值与第一阈值的第一比较结果，以及第二方向冗余度量值与第二阈值的第二比较结果，得到特征集中存在冗余的特征集合。在另一个实施方式中，冗余性分析结果包括特征集中不同类型的两特征的冗余度，相应地，冗余性分析模块303具体可以用于：根据第一方向冗余度量值和第二方向冗余度量值，确定特征集中不同类型的两特征间的特征冗余性度量值；根据特征冗余性度量值，得到特征集中不同类型的两特征的冗余度。图4是根据本发明实施例的特征选择装置的主要模块示意图。如图4所示，本发明实施例的特征选择装置400主要包括聚集性分析模块301、有向冗余度量模块302、特征选择模块403。聚集性分析模块301用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，该多个初始社区网络根据特征集中各特征类型构建。有向冗余度量模块302用于根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值。有向冗余度量值可包括第一方向冗余度量值和第二方向冗余度量值。有向冗余度量模块302具体用于：分别通过如下模型确定第一方向冗余度量值和第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。特征选择模块403用于根据特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。特征选择模块403具体用于：对于特征集中任意的第一特征和第二特征：如果第一方向冗余度量值大于第一阈值，且第二方向冗余度量值小于或等于第二阈值，则滤除第一特征；如果第一方向冗余度量值小于或等于第一阈值，且第二方向冗余度量值大于第二阈值，则滤除第二特征；根据特征集中除被滤除的特征之外的剩余特征，得到所选特征的集合。另外，在本发明实施例中的特征冗余性分析装置和特征选择装置的具体实施内容，在上面所述特征冗余性分析方法和特征选择方法中已经详细说明了，故在此重复内容不再说明。图5示出了可以应用本发明实施例的特征冗余性分析方法、特征选择方法、特征冗余性分析装置、或特征选择装置的示例性系统架构500。如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果例如产品信息反馈给终端设备。需要说明的是，本发明实施例所提供的特征冗余性分析方法或特征选择方法一般由服务器505执行，相应地，特征冗余性分析装置、或特征选择装置一般设置于服务器505中。应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图6所示，计算机系统600包括中央处理单元CPU601，其可以根据存储在只读存储器ROM602中的程序或者从存储部分608加载到随机访问存储器RAM603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入输出IO接口605也连接至总线604。以下部件连接至IO接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管CRT、液晶显示器LCD等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至IO接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。特别地，根据本发明公开的实施例，上文参考主要步骤示意图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤示意图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和或从可拆卸介质611被安装。在该计算机程序被中央处理单元CPU601执行时，执行本申请的系统中限定的上述功能。需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器RAM、只读存储器ROM、可擦式可编程只读存储器EPROM或闪存、光纤、便携式紧凑磁盘只读存储器CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。附图中的主要步骤示意图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，主要步骤示意图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或主要步骤示意图中的每个方框、以及框图或主要步骤示意图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括聚集性分析模块301、有向冗余度量模块302、冗余性分析模块303。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，聚集性分析模块301还可以被描述为“用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建的模块”。作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。或，对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。根据本发明实施例的技术方案，对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值；根据有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。其中，根据特征冗余性度量值，得到特征集中不同类型的两特征的冗余度，能够定量分析网络关系特征之间的冗余度，提供可总体衡量特征间冗余度大小的综合指标，为样本质量和可用性分析提供数值参考；根据第一方向冗余度量值与第一阈值的第一比较结果，以及第二方向冗余度量值与第二阈值的第二比较结果，得到特征集中存在冗余的特征集合。在一定程度上克服冗余特征之间的相互包含关系，为特征选择提供依据。对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据样本聚集结果，确定特征集中不同类型的两特征间的有向冗余度量值；根据特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。能够降低因特征冗余导致的网络结点间关系冗余，降低冗余特征对结点间连接权重的无谓加强，进而可真实刻画结点间关联关系，提高网络表达能力，降低网络复杂度，进而提高社区划分的准确性，在大数据环境尤其是在海量数据环境下，能有效提高社区发现的效率，增强社区发现模型的实用性。上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

权利要求：1.一种特征冗余性分析方法，其特征在于，包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。2.根据权利要求1所述的方法，其特征在于，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值的步骤，包括：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。3.根据权利要求2所述的方法，其特征在于，所述第一方向冗余度量值指示所述第一特征被所述第二特征包含的程度，所述第二方向冗余度量值指示所述第二特征被所述第一特征包含的程度。4.根据权利要求2所述的方法，其特征在于，所述冗余性分析结果包括所述特征集中存在冗余的特征集合，根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果的步骤，包括：根据所述第一方向冗余度量值与第一阈值的第一比较结果，以及所述第二方向冗余度量值与第二阈值的第二比较结果，得到所述特征集中存在冗余的特征集合。5.根据权利要求2所述的方法，其特征在于，所述冗余性分析结果包括所述特征集中不同类型的两特征的冗余度，根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果的步骤，包括：根据所述第一方向冗余度量值和所述第二方向冗余度量值，确定所述特征集中不同类型的两特征间的特征冗余性度量值；根据所述特征冗余性度量值，得到所述特征集中不同类型的两特征的冗余度。6.一种特征选择方法，其特征在于，包括：对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。7.根据权利要求6所述的方法，其特征在于，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值的步骤，包括：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。8.根据权利要求7所述的方法，其特征在于，所述第一方向冗余度量值指示所述第一特征被所述第二特征包含的程度，所述第二方向冗余度量值指示所述第二特征被所述第一特征包含的程度。9.根据权利要求7所述的方法，其特征在于，根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合的步骤，包括：对于所述特征集中任意的所述第一特征和第二特征：如果所述第一方向冗余度量值大于第一阈值，且所述第二方向冗余度量值小于或等于第二阈值，则滤除所述第一特征；如果所述第一方向冗余度量值小于或等于第一阈值，且所述第二方向冗余度量值大于第二阈值，则滤除所述第二特征；根据所述特征集中除被滤除的特征之外的剩余特征，得到所述所选特征的集合。10.一种特征冗余性分析装置，其特征在于，包括：聚集性分析模块，用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；有向冗余度量模块，用于根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；冗余性分析模块，用于根据所述有向冗余度量值，得到对所述特征集中各特征的冗余性分析结果。11.根据权利要求10所述的装置，其特征在于，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，所述有向冗余度量模块还用于：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。12.根据权利要求11所述的装置，其特征在于，所述冗余性分析结果包括所述特征集中存在冗余的特征集合，所述冗余性分析模块还用于：根据所述第一方向冗余度量值与第一阈值的第一比较结果，以及所述第二方向冗余度量值与第二阈值的第二比较结果，得到所述特征集中存在冗余的特征集合。13.根据权利要求11所述的装置，其特征在于，所述冗余性分析结果包括所述特征集中不同类型的两特征的冗余度，所述冗余性分析模块还用于：根据所述第一方向冗余度量值和所述第二方向冗余度量值，确定所述特征集中不同类型的两特征间的特征冗余性度量值；根据所述特征冗余性度量值，得到所述特征集中不同类型的两特征的冗余度。14.一种特征选择装置，其特征在于，包括：聚集性分析模块，用于对多个初始社区网络中的样本进行聚集性分析，得到各初始社区网络的样本聚集结果，所述多个初始社区网络根据特征集中各特征类型构建；有向冗余度量模块，用于根据所述样本聚集结果，确定所述特征集中不同类型的两特征间的有向冗余度量值；特征选择模块，用于根据所述特征集中不同类型的两特征间的有向冗余度量值进行特征选择，得到所选特征的集合。15.根据权利要求14所述的装置，其特征在于，所述有向冗余度量值包括第一方向冗余度量值和第二方向冗余度量值，所述有向冗余度量模块还用于：分别通过如下模型确定所述第一方向冗余度量值和所述第二方向冗余度量值：以及，其中，F1和F2分别表示不同类型的第一特征和第二特征，表示所述第一方向冗余度量值，表示所述第二方向冗余度量值，A和B分别表示任意两个初始社区网络的样本聚集结果，NA和NB分别表示样本聚集结果A和样本聚集结果B中的社区数量，Ai表示样本聚集结果A的NA个社区中第i个社区的样本集，Bi表示样本聚集结果B的NB个社区中第i个社区的样本集，rAi和rBi分别表示样本聚集结果A中第i个社区的样本集和样本聚集结果B中的第i个社区的样本集占总样本集的比例值，∪jBi,j为与Ai相交的样本聚集结果B中社区的并集，∪jAi,j为与Bi相交的样本聚集结果A中社区的并集。16.根据权利要求15所述的装置，其特征在于，所述特征选择模块还用于：对于所述特征集中任意的所述第一特征和第二特征：如果所述第一方向冗余度量值大于第一阈值，且所述第二方向冗余度量值小于或等于第二阈值，则滤除所述第一特征；如果所述第一方向冗余度量值小于或等于第一阈值，且所述第二方向冗余度量值大于第二阈值，则滤除所述第二特征；根据所述特征集中除被滤除的特征之外的剩余特征，得到所述所选特征的集合。17.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。18.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。

百度查询： 北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司 一种特征冗余性分析方法、特征选择方法和相关装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD