Clustering entities into dense part

Clustering entities into dense parts can discover interesting groups in real or online social networks, such as amateurs with the same hobbies, friends with frequent contacts, scientists with the same research area and words with the similar semantics (Palla et al. 2005). Real social
networks usually evolve over time. In the academic network, for example, new researchers
join via publishing their first papers and old ones withdraw due to retirement and they might also change co-authorships during their research career. As another example, email is one of the most primary tools for people to communicate with each other and the frequency of email communications among people changes constantly. Clustering on the time-evolving social networks remains an open problem. The state-of-the-art approach of clustering in a dynamic fashion is evolutionary clustering (Chakrabarti et al. 2006). However, evolutionary clustering is a snapshot graph model based algorithms, which has some inherent drawbacks as follows.

Kết quả (Việt) 1:

Clustering thực thể thành phần dày đặc có thể khám phá thú vị nhóm trong thực tế hoặc trực tuyến xã hội mạng, chẳng hạn như nghiệp dư với những sở thích tương tự, bạn bè với địa chỉ liên lạc thường xuyên, các nhà khoa học với cùng một khu vực nghiên cứu và từ với ngữ nghĩa tương tự (Palla et al. 2005). Thực tế xã hộimạng thường tiến triển theo thời gian. Trong mạng học tập, ví dụ, các nhà nghiên cứu mớitham gia thông qua xuất bản bài báo đầu tiên và cũ của họ, những người rút lui vì nghỉ hưu và họ cũng có thể thay đổi đồng authorships trong suốt sự nghiệp nghiên cứu của họ. Một ví dụ khác, email là một trong những công cụ đặt chính cho người dân để giao tiếp với nhau và tần số của thông tin liên lạc email trong số những thay đổi liên tục. Cụm trên các mạng xã hội thời gian phát triển vẫn là một vấn đề mở. Nhà nước-of-the-nghệ thuật phương pháp tiếp cận của cụm trong một thời trang năng động là tiến hóa cụm (Chakrabarti et al. 2006). Tuy nhiên, tiến hóa cụm là một ảnh chụp biểu đồ mô hình dựa trên thuật toán, trong đó có một số hạn chế vốn có như sau.

Kết quả (Việt) 2:

Thực thể Clustering thành phần dày đặc có thể khám phá các nhóm thú vị trong các mạng xã hội thực sự hoặc trực tuyến, chẳng hạn như tài tử có cùng sở thích, bạn bè với các liên lạc thường xuyên, các nhà khoa học với các khu vực nghiên cứu tương tự và những từ có ngữ nghĩa tương tự (Palla et al. 2005). Xã hội thực sự
mạng thường tiến hóa theo thời gian. Trong mạng học thuật, ví dụ, các nhà nghiên cứu mới
tham gia thông qua xuất bản bài báo đầu tiên của họ và những người cũ rút do nghỉ hưu và họ cũng có thể thay đổi đồng authorships trong sự nghiệp nghiên cứu của họ. Một ví dụ khác, email là một trong những công cụ chính cho hầu hết mọi người giao tiếp với nhau và tần số liên lạc bằng email giữa những người thay đổi liên tục. Clustering trên các mạng xã hội thời gian phát triển vẫn còn là một vấn đề mở. Cách tiếp cận nhà nước-of-the-nghệ thuật của nhóm trong một thời trang năng động là phân nhóm tiến hóa (Chakrabarti et al. 2006). Tuy nhiên, clustering tiến hóa là một thuật toán dựa snapshot đồ thị mô hình, trong đó có một số nhược điểm cố hữu như sau.