《表5 第1组实验中子图及理想属性模式规模》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于近似子图的规则空间压缩算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

第1组和第2组实验生成的近似子图及理想属性模式规模分别如表5和表6所示.从表5给出的子图顶点集规模来看，AS和VDS算法没有引入与测试项目集无关的顶点，所以它们计算获得的子图顶点集只与测试项目集生成的划分标准有关.因此，AS和VDS算法计算得到的子图顶点集相同.而DPS算法计算得到的子图顶点集规模依赖于测试项目集涉及的知识点间的依赖关系.测试项目集生成的划分标准规模越大，知识点间的依赖关系就越复杂，DPS生成的子图引入的额外顶点越多，导致子图顶点集规模迅速增大，导致DPS算法计算得到的边集规模显著大于AS和VDS算法.而子图规模的增长会导致理想属性模式集规模呈指数级增长，最终导致DPS算法计算得到的理想属性模式集规模与AS和VDS算法计算得到的理想属性模式集不在一个量级上.从实验结果数据来看，AS和VDS算法相较DPS算法而言，能够在计算子图过程中忽略与测试项目无关的顶点，从而实现对子图规模的压缩.从表5给出的实验结果来看，AS和VDS最大的差别在于AS计算得到的子图边集规模大于VDS计算得到的边集，原因是VDS计算得到的顶点导出子图只保留与划分标准直接相关的知识依赖关系，这种方法能够保证总是获得最小化的子图边集，不足之处是忽略了知识点间存在的间接依赖关系.为了在压缩子图规模的同时尽可能保证知识点间依赖关系的完整性，AS算法在VDS算法基础上，通过构建顶点间的虚拟边模拟知识点间的传递依赖关系，从而在保证子图顶点集最小化的前提下保留了知识点间的间接依赖关系，这是AS生成的子图边集规模大于VDS生成的子图边集的原因.这些保留下来的间接依赖关系能够在计算理想属性模式集时缩减更多不合理属性模式，从而使AS算法计算得到的理想属性模式集显著小于VDS算法计算得到的理想属性模式集.从实验结果来看，相较于DPS和VDS算法，AS算法能够获得规模更小的理想属性模式集.