Clustering entities into dense part

Clustering entities into dense parts is an important issue in social network analysis.
Real social networks usually evolve over time and it remains a problem to efficiently
cluster dynamic social networks. In this paper, a dynamic social network is modeled as an
initial graph with an infinite change stream, called change stream model, which naturally
eliminates the parameter setting problem of snapshot graph model. Based on the change
stream model, the incremental version of a well known k-clique clustering problem is studied
and incremental k-clique clustering algorithms are proposed based on local DFS (depth
first search) forest updating technique. It is theoretically proved that the proposed algorithms
outperform corresponding static ones and incremental spectral clustering algorithm in terms
of time complexity. The practical performances of our algorithms are extensively evaluated
and compared with the baseline algorithms on ENRON and DBLP datasets. Experimental
results show that incremental k-clique clustering algorithms are much more efficient than
corresponding static ones, and have no accumulating errors that incremental spectral clustering
algorithm has and can capture the evolving details of the clusters that snapshot graph
model based algorithms miss.

Kết quả (Việt) 2:

Clustering thực thể vào phần dày đặc là một vấn đề quan trọng trong việc phân tích mạng xã hội.
mạng xã hội Bất thường tiến hóa theo thời gian và nó vẫn còn là một vấn đề để có hiệu quả
cụm mạng xã hội năng động. Trong bài báo này, một mạng xã hội năng động được mô phỏng như một
đồ thị ban đầu với một dòng thay đổi vô hạn, gọi là mô hình dòng thay đổi, mà tự nhiên
giúp loại bỏ các tham số cài đặt vấn đề của đồ thị ảnh chụp mô hình. Dựa vào sự thay đổi
mô hình dòng, các phiên bản gia tăng của một k-phe nhóm vấn đề phân nhóm nổi tiếng được nghiên cứu
và cộng dồn thuật toán phân cụm k-phe nhóm được đề xuất dựa trên DFS địa phương (độ sâu
tìm kiếm đầu tiên) kỹ thuật cập nhật rừng. Về mặt lý thuyết đã được chứng minh rằng các thuật toán đề xuất
tốt hơn những tĩnh và thuật toán phân nhóm gia tăng phổ trong điều kiện tương ứng với
thời gian phức tạp. Các màn trình diễn thực tế của các thuật toán của chúng tôi được đánh giá rộng rãi
và so sánh với các thuật toán cơ bản về Enron và DBLP bộ dữ liệu. Thử nghiệm
kết quả cho thấy gia tăng thuật toán phân cụm k-phe nhóm hiệu quả hơn nhiều so với
những tĩnh tương ứng, và không có lỗi tích lũy mà dồn phân nhóm phổ
thuật toán có và có thể chụp các chi tiết phát triển của các cụm rằng ảnh chụp đồ thị
mô hình thuật toán dựa bỏ lỡ.