用于个向量求相似度，main 函数里的int1,int2是编码，它们间的元素是可重复的。dou1是对应int1的值，dou2是对应int2的值。

在偏标记学习中，示例的真实标记隐藏在由一组候选标记组成的标记集中。现有的偏标记学习算法在衡量示例之间的相似度时，只基于示例的特征进行计算，缺乏对候选标记集信息的利用。该文提出一种候选标记感知的偏标记学习算法(CLAPLL)，在构建图的阶段有效地结合候选标记集信息来衡量示例之间的相似度。首先，基于杰卡德距离和线性重构，计算出各个示例的标记集之间的相似度，然后结合示例相似度和标记集的相似度构建相似度图，并通过现有的基于图的偏标记学习算法进行学习和预测。 3个合成数据集和6个真实数据集上实验结果表明，

目前，僵尸网络检测方法大多依靠对僵尸网络通信活动或通信内容的分析，前者对数据流的特征进行统计分析，不涉及数据流中的内容，在检测加密类型方面具有较强优势，但准确性较低；后者依赖先验知识进行检测，具有较强的准确度，但检测的通用性较低。因此，根据杰卡德相似度系数定义了通信相似度，并提出了一种基于用户请求域名系统（DNS，domain name system）的通信相似度计算方法，用于基于网络流量的僵尸网络节点检测。最后，基于Spark框架对所提出的方法进行了实验验证，实验结果表明该方法可以有效地用于僵