کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969082 1449893 2018 53 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Revealing community structures by ensemble clustering using group diffusion
ترجمه فارسی عنوان
آشکار سازی ساختارهای اجتماعی توسط خوشه بندی گروهی با استفاده از انتشار گروهی
کلمات کلیدی
ترجمه چکیده
ما یک رویکرد خوشه بندی گروهی را با استفاده از انتشار گروهی برای نشان دادن ساختارهای اجتماعی در داده ها پیشنهاد می کنیم. ما نقاط داده را به عنوان یک نمودار هدایت نماییم و فرض کنیم هر نقطه داده به جای عضویت چندگانه به عضویت یک خوشه تکیه می شود. این روش بر اساس مفهوم انتشار گروهی گروه با یک پارامتر برای نشان دادن عمق نفوذ در خوشه بندی است. توانایی تغییر پارامتر عمق نفوذ با تغییر دادن آن در یک فاصله زمانی مشخص، امکان ساخت دقیق تر خوشه ها را فراهم می کند. بسته به ارزش پارامتر عمق نفوذ، رویکرد ارائه شده می تواند به خوبی هر دو خوشه محلی و ساختار جهانی داده را تعیین کند. در همان زمان، توانایی ترکیب نتایج یکپارچه از روش، باعث تقسیم خوشه بهتر می شود. با توجه به این ویژگی، روش پیشنهاد شده در مجموعه داده هایی که سایر روش های خوشه بندی متداول شکست می خورد، به خوبی عمل می کند. ما این روش را با هر دو مجموعه داده های شبیه سازی شده و دنیای واقعی تست می کنیم. نتایج حاصل از نظریه های نظری ما در مورد دقت بهبود یافته در مقایسه با سایر روش های انتخاب شده، پشتیبانی می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
We propose an ensemble clustering approach using group diffusion to reveal community structures in data. We represent data points as a directed graph and assume each data point belong to single cluster membership instead of multiple memberships. The method is based on the concept of ensemble group diffusion with a parameter to represent diffusion depth in clustering. The ability to modulate the diffusion-depth parameter by varying it within a certain interval allows for more accurate construction of clusters. Depending on the value of the diffusion-depth parameter, the presented approach can determine very well both local clusters and global structure of data. At the same time, the ability to combine single outcomes of the method results in better cluster segmentation. Due to this property, the proposed method performs well on data sets where other conventional clustering methods fail. We test the method with both simulated and real-world data sets. The results support our theoretical conjectures on improved accuracy compared to other selected methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Fusion - Volume 42, July 2018, Pages 24-36
نویسندگان
, , , ,