Similarity analyses are most likely

Similarity analyses are most likely to involve the greatest overhead, especially in social media where datasets tend to be large; scalability is a computational expense for large datasets so require more efficient approaches. For such cases, techniques (such as the “expectancy violations theory,” which looks for deviations from a baseline) may be an efficient way to filter suspect cases for further examination. This is a computationally cheaper alternative that can be applied to both sender and content deception; for example, comparing deviations from a normal user baseline requires parsing a database just once, leading to a complexity of O(N).

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ความคล้ายคลึงกันมักจะเกี่ยวข้องกับค่าโสหุ้ยต่าง ๆ โดยเฉพาะอย่างยิ่งในสังคมที่ชุดข้อมูลมักจะ มีขนาดใหญ่ ขยายเป็นค่าใช้จ่ายคำนวณสำหรับชุดข้อมูลขนาดใหญ่จึงต้องใช้วิธีที่มีประสิทธิภาพมากขึ้น ในกรณีดังกล่าว เทคนิค (เช่น "expectancy ละเมิดทฤษฎี ซึ่งมีลักษณะแตกต่างจากข้อมูลพื้นฐานสำหรับ) อาจจะเป็นวิธีที่มีประสิทธิภาพการกรองสงสัยว่ากรณีตรวจเพิ่มเติม นี้เป็นทางเลือกถูกกว่า computationally ที่สามารถใช้ได้ทั้งผู้ส่งและเนื้อหาหลอกลวง ตัวอย่างเช่น การเปรียบเทียบความแตกต่างจากข้อมูลพื้นฐานผู้ใช้ปกติต้องแยกวิเคราะห์ฐานข้อมูลเพียงครั้งเดียว นำไปสู่ความซับซ้อนของ O(N)

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ความคล้ายคลึงกันเป็นส่วนใหญ่มีแนวโน้มที่จะเกี่ยวข้องกับค่าใช้จ่ายที่ยิ่งใหญ่ที่สุดโดยเฉพาะอย่างยิ่งในสื่อสังคมออนไลน์ที่มีแนวโน้มที่จะมีชุดข้อมูลที่มีขนาดใหญ่; scalability เป็นค่าใช้จ่ายในการคำนวณสำหรับชุดข้อมูลขนาดใหญ่จำเป็นต้องใช้วิธีการที่มีประสิทธิภาพมากขึ้น สำหรับกรณีดังกล่าวเทคนิค (เช่น "ทฤษฎีความคาดหวังในการละเมิด" ซึ่งมีลักษณะเบี่ยงเบนไปจากพื้นฐาน) อาจเป็นวิธีที่มีประสิทธิภาพในการกรองกรณีผู้ต้องสงสัยสำหรับการตรวจสอบต่อไป นี้เป็นทางเลือกที่ถูกกว่าคอมพิวเตอร์ที่สามารถนำไปใช้กับทั้งผู้ส่งและการหลอกลวงเนื้อหา ตัวอย่างเช่นการเปรียบเทียบเบี่ยงเบนไปจากพื้นฐานที่ผู้ใช้ปกติต้องแยกฐานข้อมูลเพียงครั้งเดียวที่นำไปสู่ความซับซ้อนของโอ (N)

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ความเหมือนมักจะเกี่ยวข้องกับค่าใช้จ่ายมากที่สุด โดยเฉพาะอย่างยิ่งในสื่อสังคมที่ข้อมูลมักจะเป็นขนาดใหญ่ ; scalability เป็นค่าใช้จ่ายการคำนวณสำหรับข้อมูลขนาดใหญ่เพื่อต้องการวิธีที่มีประสิทธิภาพมากขึ้น สำหรับกรณีดังกล่าว เทคนิค ( เช่น " การละเมิดความคาดหวังทฤษฎี " ซึ่งดูเหมือนการเบี่ยงเบนจาก baseline ) อาจเป็นวิธีที่มีประสิทธิภาพเพื่อกรองกรณีสงสัยการตรวจสอบต่อไป นี้เป็นทางเลือกที่ถูกกว่า computationally สามารถใช้ได้ทั้งผู้ส่งและเนื้อหาการหลอกลวง ตัวอย่างเช่น การเปรียบเทียบส่วนเบี่ยงเบนจากฐานผู้ใช้ปกติต้องแยกฐานข้อมูลเพียงหนึ่งครั้ง ที่นำไปสู่ความซับซ้อนของ O ( N )