Loading...
ترجمه مقاله خوشه بندی گراف با شباهت ساختاری صفت k همسایه
ترجمه مقاله Graph clustering using k-Neighbourhood Attribute Structural similarity
در این پست ترجمه مقاله خوشه بندی گراف با شباهت ساختاری صفت k همسایه را برای شما هنر جویان عزیز آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله را نیز به صورت رایگان دانلود نمایید.
چکیده خوشه بندی گراف با شباهت ساختاری صفت k همسایه :
یک راه حل ساده برای شناخت خوشه های مبتنی بر شباهت ساختاری و مشخصات در شبکه ی گراف مطرح شده است که یک کار مهم در تشخیص جامعه است. ما گره های روی هم رفته را به وسیله فاکتور پرت (LOF) بررسی می کنیم که درجه ی پرت را اندازه گیری کرده و یک شهود اولیه برای تولید گره های اصلی خوشه ایجاد می نماید شباهت ساختاری از طریق K همسایه Q4 شناسایی می شود و شباهت صفت به وسیله امتیاز شباهت بین گره ها در گروه خوشه های ساختاری تخمین زده شده است.
برای یک تابع هدف روشی ارائه شده است از طریق آزمایشات گسترده در مجموعه داده ی (DBLP) با اندازه های مختلف، ما اثر بخشی و بهره وری ساختار صفت الگوریتم K همسایه ی پیشنهادی (KNAS) را نسبت به روشهای وضعیت که برای پارتیشن بندی گراف براساس شباهت ساختاری و صفت در زمینه تشخیص جامعه تلاش می کنند اثبات می کنیم علاوه بر این مزایای کمی و کیفی هر دو شباهت در گراف را پیدا می کنیم.
توضیحات بیشتر در مورد ترجمه مقاله خوشه بندی گراف با شباهت ساختاری صفت k همسایه و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمایید.
مقدمه خوشه بندی گراف با شباهت ساختاری صفت k همسایه :
خوشه بندی یک روش مهم داده کاوی است که به منظور شناسایی گروه هایی از موجودیت ها که با برخی دیگر از معیارها شباهت دارند توسعه داده شده است. هدف اصلی از خوشه بندی، شباهت خوشه ی داخلی بالا و شباهت خوشه ی بین پایین است به عنوان مثال اشیا داخل خوشه مشابه هستند و اشیا خوشه های متفاوت متفاوت هستند. این یک روش آموزش بدون نظارت است که به طور گسترده در تمام زمینه های علوم و مهندسی از جمله بیوانفورماتیک، تحقیقات بازار، تجزیه و تحلیل شبکه های اجتماعی، تجزیه و تحلیل تصویر، زمینه مالی و بازاریابی، داده های مسیر و داده های سری زمانی Q5 و اطلاعات مکانی و غیره استفاده می شود.
چکیده انگلیسی خوشه بندی گراف با شباهت ساختاری صفت k همسایه :
A simple and novel approach to identify the clusters based on structural and attribute similarity ingraph network is proposed which is a fundamental task in community detection. We identify the densenodes using Local Outlier Factor (LOF) approach that measures the degree of outlierness, forms a basicintuition for generating the initial core nodes for the clusters. Structural Similarity is identified usingk-neighbourhood and Attribute similarity is estimated through Similarity Score among the nodes in theQ4group of structural clusters.
An objective function is defined to have quick convergence in the proposedalgorithm. Through extensive experiments on dataset (DBLP) with varying sizes, we demonstrate theeffectiveness and efficiency of our proposed algorithm k-Neighbourhood Attribute Structural (kNAS)over state-of-the-art methods which attempt to partition the graph based on structural and attributesimilarity in field of community detection. Additionally, we find the qualitative and quantitative benefitof combining both the similarities in graph.
منبع : sciencedirect.com
هیچ نظری ثبت نشده است