کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5103188 | 1480096 | 2017 | 20 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Empirical comparison of network sampling: How to choose the most appropriate method?
ترجمه فارسی عنوان
مقایسه تجربی نمونه برداری شبکه: چگونه انتخاب مناسب ترین روش؟
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شبکه های پیچیده نمونه برداری شبکه، مقایسه تکنیک های نمونه گیری، القاء زیرگرافی، دقت نمونه گیری، طرح انتخابی نمونه برداری،
ترجمه چکیده
در چند سال گذشته، ذخیره سازی و تجزیه و تحلیل شبکه های بزرگ و سریع در حال توسعه یک چالش بزرگ است. بنابراین، تعدادی از تکنیک های مختلف برای نمونه برداری از شبکه های بزرگ پیشنهاد شده است. مطالعات در مورد نمونه برداری شبکه به طور عمده تغییرات خواص شبکه را تحت نمونه برداری تجزیه و تحلیل می کند. به طور کلی، تکنیک های اکتشاف شبکه تقریبی شبکه های اصلی دقیق تر از گره تصادفی و انتخاب پیوند هستند. با این حال، انتخاب لینک با گام القاء زیرگروه اضافی از اکثر تکنیک های دیگر برتر است. در این مقاله، القاء زیرگراف را نیز به نمونه گیری تصادفی پیاده روی و جنگل آتش سوزی و بررسی تاثیر القایی زیرگرافی بر دقت نمونه گیری پرداخته ایم. ما تجزیه و تحلیل شبکه های مختلف دنیای واقعی و تغییرات خواص آنها را با نمونه گیری معرفی می کنیم. نتایج نشان می دهد که تکنیک های با القاء زیرگرافی بهبود عملکرد تکنیک های بدون القای و ایجاد شبکه های نمونه های متراکم با درجه بالاتر بزرگتر. علاوه بر این، دقت نمونه گیری همواره در بین روش های مختلف نمونه گیری کاهش می یابد، زمانی که شبکه های نمونه گیری کوچکتر می شوند. بر اساس نتایج مقایسه، ما طرح انتخاب بهترین تکنیک برای نمونه برداری شبکه را معرفی می کنیم. به طور کلی، نمونه برداری از اکتشاف در سطح اول به عنوان بهترین روش انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
فیزیک ریاضی
چکیده انگلیسی
In the past few years, the storage and the analysis of large-scale and fast evolving networks presents a great challenge. Therefore, a number of different techniques have been proposed for sampling large networks. Studies on network sampling primarily analyze the changes of network properties under the sampling. In general, network exploration techniques approximate the original networks more accurate than random node and link selection. Yet, link selection with additional subgraph induction step outperforms most other techniques. In this paper, we apply subgraph induction also to random walk and forest-fire sampling and evaluate the effects of subgraph induction on the sampling accuracy. We analyze different real-world networks and the changes of their properties introduced by sampling. The results reveal that the techniques with subgraph induction improve the performance of techniques without induction and create denser sample networks with larger average degree. Furthermore, the accuracy of sampling decrease consistently across various sampling techniques, when the sampled networks are smaller. Based on the results of the comparison, we introduce the scheme for selecting the most appropriate technique for network sampling. Overall, the breadth-first exploration sampling proves as the best performing technique.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 477, 1 July 2017, Pages 136-148
Journal: Physica A: Statistical Mechanics and its Applications - Volume 477, 1 July 2017, Pages 136-148
نویسندگان
Neli Blagus, Lovro Å ubelj, Marko Bajec,