کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6857517 | 665202 | 2016 | 19 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A multi-class approach for ranking graph nodes: Models and experiments with incomplete data
ترجمه فارسی عنوان
یک رویکرد چند طبقه ای برای رتبه بندی گره های گراف: مدل ها و آزمایش ها با داده های ناقص
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تجزیه و تحلیل لینک مدل ها برای ارزیابی گره گراف، لینک های گمشده، کاهش پذیری ماتریس وب و جایگزینی،
ترجمه چکیده
این مقاله نیاز به رویکرد سیستماتیک برای مقابله با داده های چند پارامتر دارد. ما مدل ها و الگوریتم های رتبه بندی را پیشنهاد می کنیم که می توانند در شبکه های متنوع زیادی (اطلاعات کتابشناختی، داده های ثبت اختراعات، توییتر و داده های اجتماعی، داده های مراقبت های بهداشتی) مورد استفاده قرار گیرند. ما بر روی چندین جنبه که قبلا در ادبیات مطرح نشده تمرکز می کنیم: (1) ما مدل های مختلف برای رتبه بندی داده های چند پارامتر و یک کلاس از الگوریتم های عددی را برای محاسبه موثر امتیاز رتبه بندی چنین مدل ها پیشنهاد می کنیم؛ (2) ثبات و همگرایی طرح های عددی پیشنهادی و الگوریتم رتبه بندی سریع و پایدار را بدست آوریم؛ (3) استحکام مدل های ما زمانی که داده ها ناقص هستند، تحلیل می کنیم. مقایسه رتبه در داده های ناقص با رتبه در ساختار کامل نشان می دهد که مدل های ما محاسبه رتبه های سازگار است که همبستگی آن تا 60٪ زمانی که فقط 10٪ از لینک های ویژگی ها حفظ می شود.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
This paper addresses the need of a systematic approach to deal with multi-parameter data. We propose models and ranking algorithms that can be applied to a large variety of networks (bibliographic data, patent data, twitter and social data, healthcare data). We focus on several aspects not previously addressed in the literature: (1) we propose different models for ranking multi-parameters data and a class of numerical algorithms for efficiently computing the ranking score of such models, (2) we analyze stability and convergence of the proposed numerical schemes and we derive a fast and stable ranking algorithm, (3) we analyze the robustness of our models when data are incomplete. The comparison of the rank on the incomplete data with the rank on the full structure shows that our models compute consistent rankings whose correlation is up to 60% when just 10% of the links of the attributes are maintained.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 329, 1 February 2016, Pages 619-637
Journal: Information Sciences - Volume 329, 1 February 2016, Pages 619-637
نویسندگان
Gianna M. Del Corso, Francesco Romani,