Efficient Algorithms for Densest Subgraph Discovery
属性子图发现（DSD）是图挖掘中的一个基本问题。它已经被研究了几十年，并广泛应用于各个领域，包括网络科学，生物分析和图形数据库。给定一个图G，DSD的目标是找到G的具有最高密度的子图D（例如，D中的边数除以顶点数）。由于DSD是很难解决的，我们提出了一个新的解决方案的范例。我们的主要观察是，可以通过k-核（G的一种稠密子图）精确地找到一个稠密子图，并有理论保证。基于这种直觉，我们开发了有效的精确和近似的解决方案DSD。此外，我们的解决方案能够找到广泛的图密度定义，包括基于密度和一般模式为基础的密度的dennial子图。我们对11个真实数据集进行了广泛的实验评估。我们的研究结果表明，我们的算法比现有的方法快四个数量级。
2019-08-07 cs.DB cs.SI
A Novel Approach to Finding Near-Cliques: The Triangle-Densest Subgraph Problem
许多图挖掘应用依赖于检测近团的子图。在现有的工作与这个问题有关的结果之间存在着二分法：一方面，最大化所有子图的平均度的dennial子图问题（DSP）是在多项式时间内可解的，但对于许多网络未能找到子图的近团。另一方面，面向寻找近似团的公式是NP困难的，并且由于与最大团问题的联系而经常不可近似。在这项工作中，我们提出了一个配方，结合了最好的两个世界：它是可解的多项式时间，发现近团时，DSP失败。令人惊讶的是，我们的配方是DSP的简单变体。具体地说，我们定义了三角形可分解子图问题（TDSP）：给定$G(V,E)$，找到顶点$S^*$的子集，使得$τ(S^*)=\max_{S \subseteq V} \frac{t(S)}{|S|}$，其中$t(S)$是由集合$S$诱导的三角形的数量。我们提供了各种精确和近似算法，有效地解决了TDSP。此外，我们展示了我们的算法如何适应更一般的问题，最大化的$k$ -团平均密度。最后，我们提供的经验证据表明，TDSP应该使用时，DSP的输出未能输出近团。
2014-05-20 cs.DM cs.DS cs.SI
Finding Densest Subgraphs with Edge-Color Constraints
研究带边色约束的最密子图问题，证明其判定版本为NP完全，并为稀疏图提出了线性时间常数因子近似算法。
2024-02-14 cs.SI
Densest Subhypergraph: Negative Supermodular Functions and Strongly Localized Methods
本文将锚定最密子图问题推广到超图并引入可调局部性参数，证明并给出了局部性参数不太小时的强局部算法，同时提出了最密超模集合的首个强多项式时间算法和带任意节点权重的重且稠密子图发现精确算法。
2024-02-22 cs.DM cs.DS cs.SI
Towards Realistic Team Formation in Social Networks based on Densest Subgraphs
给定一个任务$\mathcal{T}$，一组具有多种技能的专家$V$和一个反映专家之间兼容性的社交网络$G(V, W)$，团队形成是识别一个团队$C \subseteq V$的问题，该团队既能胜任执行任务$\mathcal{T}$，又能兼容地一起工作。现有的方法对这个问题的限制性假设，因此不能模拟实际情况。本文的目标是考虑在现实环境中的团队形成问题，并提出了一种新的配方的基础上denumbersubgraphs。我们的公式允许对许多自然需求进行建模，例如（i）包括指定的团队领导和/或一组给定的专家，（ii）限制团队的规模或更一般的成本，（iii）强制执行团队的本地化，例如，在地理意义上或社会意义上，等等。所提出的配方导致了一个推广版本的经典的基数约束的denominationsubgraph问题（DSP），这是一个NP难的问题，并有许多应用在社会网络分析。本文提出了一种新的近似求解广义DSP（GDSP）的方法。我们的方法，FORTE，是基于解决GDSP的等效连续松弛。通过我们的方法找到的解决方案有质量保证，并始终满足GDSP的约束。实验表明，所提出的配方（GDSP）是有用的建模更广泛的团队形成的问题，我们的方法产生更连贯和紧凑的高品质的团队。我们还表明，LP松弛的GDSP的帮助下，我们的方法给GDSP接近最优的解决方案。
2015-05-25 cs.DS cs.SI
On Densest $k$-Subgraph Mining and Diagonal Loading: Optimization Landscape and Finite-Step Exact Convergence Analysis
University of Virginia（弗吉尼亚大学）；KU Leuven（荷语鲁汶大学）
本文提出了一种基于惩罚的非凸松弛方法，通过理论分析证明其在有限步内精确收敛到积分局部最大值，解决了密集k子图挖掘的理论难题。
2026-01-30 cs.DS cs.SI
The Densest Subgraph Problem with a Convex/Concave Size Function
在密度子图问题中，给定一个边加权无向图$G=(V,E,w)$，我们被要求找到使密度最大化的$S\subseteq V$，即，$w(S)/|S|$，其中$w(S)$是由$S$诱导的子图中的边的权重之和。这个问题经常被用于各种各样的图挖掘应用程序中。然而，该问题有一个缺点;与手头的应用程序中所需的大小相比，可能会发生所获得的子集太大或太小的情况。在这项研究中，我们解决的密度子图问题的大小问题，通过推广的密度$S\subseteq V$。具体来说，我们引入$S\subseteq V$的$f$ -密度，定义为$w(S)/f(|S|)$，其中$f:\mathbb{Z}_{\geq 0}\rightarrow \mathbb{R}_{\geq 0}$是单调非减函数。在$f$ -密度子图问题（$f$-DS）中，我们的目标是找到最大化$f$ -密度$w(S)/f(|S|)$的$S\subseteq V$.虽然$f$ -DS没有明确指定顶点的输出子集的大小，但是我们可以使用凸/凹大小函数$f$适当地处理上述大小问题。对于具有凸函数$f$的$f$ -DS，我们提出了一个近似保证的近似线性时间算法。另一方面，对于具有凹函数$f$的$f$-DS，我们提出了一个基于LP的精确算法，一个基于流的$O(|V|^3)$ -时间精确算法和一个近似线性时间近似算法。
2017-03-10 cs.DM cs.DS cs.SI
The Generalized Mean Densest Subgraph Problem
Cornell University（康奈尔大学）
寻找大型图的稠密子图是图挖掘中的一个标准问题，由于其理论上的丰富性和许多实际应用而被广泛研究。在本文中，我们引入了一个新的家庭稠密子图的目标，参数为一个单一的参数$p$，计算的基础上，广义手段的程度序列的一个子图。我们的目标捕获的标准densorable子图的问题和最大的$k$ -核心的特殊情况下，并提供了一种方法来插入和外推超出这两个目标时，寻找其他概念的稠密子图。在算法的贡献，我们首先表明，我们的目标可以在多项式时间内最小化所有$p \geq 1$使用重复的子模块化最小化。我们的工作的一个主要贡献是在理论和实践中分析了不同类型的剥离算法的稠密子图的性能。我们证明，标准的剥离算法可以执行任意差我们的广义目标，但我们设计了一个更复杂的剥离方法，$p \geq 1$有一个近似的保证，总是至少$1/2$和收敛到1的$p \rightarrow \infty$。在实践中，我们表明，该算法获得了非常好的近似的最优解，规模大的图形，并突出了一系列不同的有意义的概念的密度图来自许多领域。此外，通过更好地考虑移除一个节点如何影响其邻域中的其他节点，它通常能够比标准剥离算法更好地近似分布式子图问题。
2021-06-04 cs.DM cs.DS cs.LG
Generalized Densest Subgraph in Multiplex Networks
针对多重网络现有稠密子图挖掘方法未区分连接类型重要性、仅用边密度的局限，提出带双参数的广义稠密子图目标，基于扩展FirmCore给出多项式近似算法，验证了方法的有效性与高效性。
2023-10-07 cs.DS cs.SI
The Vertex-Attribute-Constrained Densest $k$-Subgraph Problem
本文提出了结合顶点属性的 VAC-D$k$S 问题，证明其连续松弛是紧致的并可用 Frank--Wolfe 算法高效求解，实验表明该方法能扩展至大图并在政治网络中识别出比经典 D$k$S 更平衡且有意义的子图。
2025-08-08 cs.DS cs.SI
Hyperedge Modeling in Hypergraph Neural Networks by using Densest Overlapping Subgraphs
University of Windsor（温莎大学）
针对超图神经网络的超边建模问题，提出基于凝聚贪心枚举的最稠密重叠子图求解算法以鲁棒构建超图，节点分类任务性能显著优于现有方法。
2024-09-16 cs.AI cs.LG cs.SI
Densest Diverse Subgraphs: How to Plan a Successful Cocktail Party with Diversity
本文研究带颜色属性图中的最密多样子图问题，提出比例约束的 DDSP 与逐色基数需求的 Dal$\vec{k}$S，并分别给出可扩展近似算法，实验验证其有效性。
2023-06-04 cs.SI
Q-DISCO: Query-Centric Densest Subgraphs in Networks with Opinion Information
本文提出 Q-DISCO 方法，针对带观点信息的网络，通过两种启发式算法求解 NP 难的查询中心稠密子图问题，并在真实数据集上验证了其提取高密度且观点一致子图的有效性。
2024-12-16 cs.SI physics.soc-ph
A Survey of Densest Subgraph Discovery on Large Graphs
Hunan University（湖南大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of British Columbia（不列颠哥伦比亚大学）
本文综述了大规模图中稠密子图发现问题的应用价值、挑战及现有解决方案，分类讨论了50余篇经典论文，并展望了未来研究方向。
2026-09-02 cs.SI
Novel Dense Subgraph Discovery Primitives: Risk Aversion and Exclusion Queries
在度密度子图问题中，给定一个加权无向图$G(V,E,w)$，具有非负的边权重，我们被要求找到一个节点子集$S\subseteq V$，使度密度$w(S)/|S|$最大化，其中$w(S)$是由$S$引起的边权重之和。这个问题是一个研究得很好的问题，被称为{ \em denominator子图问题}，并且可以在多项式时间内求解。但是当边权重为负时会发生什么呢？这个问题在多项式时间内仍然是可解的吗？还有，为什么我们要关心负权存在时的denominator子图问题？在这项工作中，我们回答了上述问题。具体来说，我们提供了两个新的图形挖掘原语，适用于各种各样的应用程序。我们的原语可以用来回答这样的问题：“我们如何在Twitter中找到一个有很多回复和提及但没有关注的稠密子图？如何从一个不确定的图中抽取出一个具有高期望回报和低风险的稠密子图？我们制定了这两个问题的数学稠密子图发现的特殊情况下，图的负权重。我们研究了问题的困难性，证明了该问题在一般情况下是NP-困难的。我们设计了一个有效的近似算法，在存在小的负权重，也是一个有效的启发式更一般的情况下。最后，我们在各种真实世界的不确定图和爬行的Twitter多层图上进行了实验，验证了所提出的原语的价值，以及我们提出的算法的实用价值。代码和数据可从\url{https://github.com/negativedsd}获得。
2019-04-17 cs.DS cs.SI
A Unified Core Structure in Multiplex Networks: From Finding the Densest Subgraph to Modeling User Engagement
针对现有多重网络核结构研究的三类局限，提出统一稠密结构族S-core，基于此设计了多重网络稠密子图发现的高效近似算法，并构建了多关系类型下的用户参与度数学模型，实验验证了其有效性。
2024-06-19 cs.SI
Where Graph Topology Matters: The Robust Subgraph Problem
鲁棒性是衡量大型网络系统（如交通和通信网络）弹性的关键指标。大多数现有的工作集中在给定图的全局鲁棒性上，例如，通过测量其对外部攻击或随机故障的整体脆弱性。在本文中，我们把注意力转向局部鲁棒性，并提出了一个新的问题，在线路的子图挖掘：给定一个大的图，我们如何找到它的最强大的局部子图（RLS）？我们定义了一个强大的子图作为一个子集的节点之间具有高的通信能力，并制定了RLS-问题，找到一个给定的大小的子图的主机图中的最大鲁棒性。我们的公式与最近提出的denominant子图问题的一般框架有关，但是与它的实质不同之处在于，除了子图中的边的数量之外，鲁棒性还涉及边的放置，即，子图拓扑我们证明了RLS问题是NP难的，并提出了两个启发式算法的基础上自顶向下和自底向上的搜索策略。此外，我们提出了修改我们的算法来处理三个实际的RLS问题的变种。合成和现实世界的图上的实验表明，我们发现具有更大的鲁棒性的子图比dennial子图，即使在较低的密度，这表明现有的方法是不适合新的问题设置。
2015-01-08 cs.DS cs.SI
FirmCore Decomposition of Multilayer Networks
一个关键的图挖掘原语是从图中提取密集结构，这导致了有趣的概念，如$k$ -核心，随后已被用作构建块捕捉复杂网络的结构和设计有效的近似算法的挑战性问题，如寻找的dennial子图。在生物、社会和交通网络等应用中，对象之间的交互跨越多个方面。多层（ML）网络已经被提出用于精确地建模这样的应用。在本文中，我们提出了FirmCore，一个新的家庭的稠密子图ML网络，并证明了它满足许多很好的性质的$k$ -核心的单层图。与ML图的最新核心分解不同，FirmCores具有多项式时间算法，使其成为理解大规模ML网络结构的强大工具。我们还扩展了FirmCore的有向ML图。我们表明，FirmCores和有向FirmCores可以用来获得有效的近似算法发现ML图及其有向对应的denatrial子图。我们在几个真实的ML图上的广泛实验表明，我们的FirmCore分解算法比已知的ML图的核心分解算法更有效。此外，它返回匹配或更好的质量的解决方案，在（可能有向）ML图的denominator子图问题。
2022-08-23 cs.SI
Scalable Temporal Motif Densest Subnetwork Discovery
针对时间网络中高阶模体稠密子网络发现的空白，提出两种带概率保证的随机近似算法，可高效处理数十亿边规模的网络，性能优于基线，能揭示金融网络的突发事件与用户社区等结构。
2024-06-25 cs.DS cs.SI
Local Algorithms for Hierarchical Dense Subgraph Discovery
求图的稠密区域以及它们之间的关系是网络分析中的一个基本问题。核心和桁架分解揭示了层次关系的稠密子图。用于计算这些分解的算法的增量性质以及在算法的每个步骤处对全局信息的需要阻碍了可扩展的并行化和近似，因为直到最后才揭示可扩展区域。在以前的工作中，Lu等人提出迭代计算相邻顶点度的$h$ -指数以获得核数，并证明在有限次迭代后获得收敛性。这项工作概括了迭代$h$指数计算桁架分解以及核分解，利用高阶结构，以概括核心和桁架分解。此外，我们证明了迭代次数的收敛界。我们提出了一个框架的本地算法，以获得核心，桁架和核分解。我们的算法是本地的，并行的，提供高的可扩展性，并使近似探索时间和质量的权衡。我们的共享内存实现验证了我们的本地算法在真实网络上的效率，可扩展性和有效性。
2018-09-14 cs.DS cs.SI
Best Friends Forever (BFF): Finding Lasting Dense Subgraphs
图形形成实体之间的关系和交互的自然模型，例如，社交和合作网络中的人之间、计算机网络中的服务器之间、或者文档和推文中的标签和单词之间。但是，这些关系或互动中哪些是最持久的？在本文中，我们研究了以下问题：给定一组图快照，这可能对应于一个不断发展的图在不同的时间实例的状态，确定所有快照中连接最密集的节点集。我们称之为永远的好朋友（BFF）问题。我们提供了定义的密度在多个图形快照，捕捉不同的语义随着时间的推移的连通性，我们研究了相应的变种的BFF问题。然后，我们看看开关BFF（O^2BFF）的问题，放松的要求，节点连接在所有的快照，并要求在至少$k$的一组给定的图形快照的节点的denominant集。我们表明，这个问题是NP-完全的密度的所有定义，我们提出了一套有效的算法。最后，我们提出了合成和真实数据集的实验，表明我们的算法的效率和BFF和O^2BFF问题的有用性。
2017-10-03 cs.DS cs.SI physics.soc-ph
Mining Density Contrast Subgraphs
稠密子图发现是图挖掘应用中的一个关键问题，如社交网络中的社区发现和生物数据中的基因相关性挖掘。大多数稠密子图挖掘的研究只涉及一个图。然而，在许多应用中，我们有一个以上的图描述同一组实体之间的关系。在本文中，给定两个图共享相同的顶点集，我们研究的问题，检测子图的对比度最相对于密度。我们称这样的子图为密度对比子图，简称DCS。两个广泛使用的图密度措施，平均度和图的亲和力，被认为是。对于这两种密度度量，挖掘DCS等同于从“差”图中挖掘密度子图，该“差”图可以具有正边权重和负边权重。由于负边权值的存在，现有的稠密子图检测算法无法识别出我们需要的稠密子图。我们证明了计算困难的采矿DCS下的两个图密度措施，并开发有效的算法来找到DCS。我们还在几个真实世界的数据集上进行了广泛的实验，以评估我们的算法。实验结果表明，我们的算法是有效的和高效的。
2018-02-18 cs.SI
Core Decomposition in Multilayer Networks: Theory, Algorithms, and Applications
多层网络是对复杂系统进行建模的强大范例，在复杂系统中，相同的实体之间存在多种关系。尽管人们对这类网络中的各种任务、算法和分析非常感兴趣，但到目前为止，提取稠密子图的问题在很大程度上仍未得到探索。在这项工作中，我们研究的问题的核心分解的多层网络。多层背景是非常具有挑战性的，因为在多层核之间不存在全序;相反，它们形成一个晶格，其大小与层数成指数关系。在这种情况下，我们设计了三种算法，不同的方式，他们访问的核心晶格，并在他们的修剪技术。然后，我们向前迈进一步，研究提取最内部（也称为最大）核心的问题，即，在所有层中的芯指数方面不受任何其它芯支配的芯。最内部的核心通常比所有核心小几个数量级。受此启发，我们设计了一种算法，有效地利用极大性属性，并直接提取最内部的核心，而无需首先计算一个完整的分解。最后，我们展示了多层核心分解工具在各种场景和问题。我们首先考虑多层网络中的稠密子图提取问题。我们引入了一个多层密度子图的定义，在高密度和高密度保持的层数之间进行权衡，并利用多层核分解来近似这个问题的质量保证。作为进一步的应用，我们展示了如何利用多层核心分解，以加快频繁的交叉图准集团的提取和推广的社区搜索问题的多层设置。
2019-11-15 cs.DS cs.SI
Escape times for subgraph detection and graph partitioning
我们提供了一个基于重排的算法快速检测$k$顶点的子图具有长逃逸时间的有向或无向网络。补充其他概念的dennial子图和图割，我们的方法是基于平均命中时间所需的随机步行者离开指定的集合，并击中补充。我们提供了一个新的松弛这个概念的命中时间在一个给定的子图，并使用该松弛构造一个快速的子图检测算法和推广到$K$分区计划。使用每个组件上的子图检测器的修改，我们提出了一个图形分区，识别区域的随机游走生活在一个很大的时间。重要的是，我们的方法隐含地尊重有向图的数据的有向性质，同时也适用于无向图。我们应用分区方法的社区发现的一大类模型和现实世界的数据集。
2022-12-25 cs.NA cs.SI math.NA
Exploring the Subgraph Density-Size Trade-off via the Lovász Extension
给定一个无向图，稠密k子图问题（DkS）寻求找到k个顶点的子集，使得相应子图中的边权重之和最大化。这个问题是NP难的，在最坏的情况下也很难近似。在本文中，我们提出了一个新的凸松弛的问题。我们的主要思想是将DkS重新表述为最小化一个基数约束下的子模函数。利用子模函数具有凸的、连续的扩张（称为Lovász扩张）这一事实，我们提出在基数约束的凸包上最小化Lovász扩张.虽然Lovász扩展的次模函数不承认一般的分析形式，DkS，我们表明，它。我们利用这一结果开发一个高度可扩展的算法的基础上交替方向乘法（ADMM）解决放松的问题。再加上一对偶然简单的舍入方案，我们证明了我们的方法优于现实世界的图上现有的基线，并可以产生高质量的次优解决方案，通常是一个后验不差于65-80\%的最佳密度。
2021-02-05 cs.DM cs.DS cs.SI
Extracting Dense and Connected Subgraphs in Dual Networks by Network Alignment
使用基于网络的方法来建模和分析大型数据集是目前一个不断发展的研究领域。例如，在生物学和医学中，网络被用于模拟生物分子之间的相互作用以及患者之间的关系。类似地，来自社交网络的数据可以通过使用图来简单地建模。最近，双网络的使用引起了研究人员的注意。对偶网络模型使用一对图来模拟一个场景，其中两个图中的一个通常是未加权的（表示节点之间物理关联的网络），而另一个是边加权的（表示节点之间概念关联的网络）。在本文中，我们专注于问题的密度连通子图（DCS），具有最大的密度在概念网络，也是连接在物理网络。这个问题是相关的，但也很难计算，因此需要引入新的算法。我们正式的问题，然后我们将DCS映射到一个图形对齐问题。然后我们提出一个可能的解决方案。一组实验也支持我们的方法。
2020-02-04 cs.DS cs.SI q-bio.MN
Finding low-tension communities
受在线社交媒体和协作网络中出现的应用程序的启发，社区搜索和团队组建问题已经有了很多工作。在前一类问题中，目标是找到满足一定连通性要求并包含给定种子节点集合的子图。另一方面，在后一类问题中，目标是找到集体拥有任务所需技能的个体，并形成具有某些属性的连通子图。在本文中，我们扩展了社区搜索和团队形成的问题相关联的个人资料。个人资料是一个数字分数，量化了个人在某个主题上的位置。我们采用一个模型，每个人都从一个潜在的个人资料开始，并通过一个动态的构象过程，考虑到个人的社会互动和趋势，以符合一个人的社会环境，达到一个符合的个人资料。在这一框架下，社会紧张关系产生于相邻个体的一致性特征之间的差异，以及个体的一致性特征与潜在性特征之间的差异。给定一个网络的个人，他们的潜在配置文件和这个构象的过程中，我们扩展了社区搜索和团队形成的问题，要求输出子图具有低的社会张力。从技术的角度来看，我们研究这些问题的复杂性，并提出有效解决这些问题的算法。我们在一些社交网络的实验评估揭示了我们的方法的有效性和效率。
2017-01-19 cs.SI physics.soc-ph
Detecting dense communities in large social and information networks with the Core & Peel algorithm
社会网络和信息网络中稠密子图（紧社区）的检测和刻画是社会网络分析中的一个重要探索工具。已经提出了几种方法，或者（i）将整个网络划分为集群，即使在低密度区域，或者（ii）旨在找到单个分布式社区（并且需要迭代以找到下一个）。随着社交网络变得越来越大，方法（i）和（ii）导致算法太慢而不实用，特别是当需要分析数据的速度时。在本文中，我们提出了一种方法，旨在平衡效率的计算和表达能力和输出社区表示。我们定义了图的部分稠密覆盖（PDC）的概念。图的PDC是一组节点的集合，（a）每个集合形成一个不相交的稠密导出子图，（b）它的去除留下没有稠密区域的剩余图。PDC的精确计算是一个NP完全问题，因此，我们提出了一个有效的启发式算法来计算一个PDC，我们命名为核心和剥离。此外，我们提出了一种新的基准测试技术，使我们能够评估算法计算PDC使用经典的IR概念的精度和召回，即使没有一个黄金标准。在斯坦福大学大型网络数据集的25个社交和技术网络上进行的测试证实，Core和Peel是有效的，并且达到了非常高的精确度和召回率。
2012-10-11 cs.DS cs.SI physics.soc-ph
Multi-Level Anomaly Detection on Time-Varying Graph Data
Oak Ridge National Laboratory（橡树岭国家实验室）；North Carolina State University（北卡罗来纳州立大学）
这项工作提出了一种新的建模和分析框架的图形序列，解决了检测和上下文的异常标记，流图数据的挑战。我们引入了Seshadhri等人的BTER模型的推广。通过增加社区结构的灵活性，并使用该模型进行多尺度图异常检测。具体来说，描述粗糙子图的概率模型是通过在更精细的级别上聚合概率来构建的，这些密切相关的分层模型同时检测与预期的偏差。这种技术提供了对图的结构和内部上下文的洞察，可以揭示检测到的事件。此外，这种多尺度分析通过允许用户将焦点从异常图缩小到导致异常的特定子图或节点来促进直观的可视化。为了进行评估，两个层次的异常检测器进行了测试，对一系列的采样图的基线高斯方法。我们证明了我们的基于图几何学的方法在具有社区结构的标记设置中优于基于分布的检测器和基线，并且它在节点，子图和图形级别准确地检测合成和真实世界数据集中的异常。为了说明通过这种技术可能的信息的可访问性，异常检测器和相关的交互式可视化工具在NCAA足球数据上进行了测试，其中在联赛中移动的球队和会议被识别为具有完美的召回率，并且精度大于0.786。
2015-04-20 cs.LG cs.SI stat.ML
