This paper models the dynamics of s

This paper models the dynamics of social networks as a change stream. Based on this model, local DFS forest updating algorithm is proposed for incremental 2-clique clustering and then it is generalized to incremental k-clique clustering. The incremental strategies are well designed to guarantee the accuracy of the clustering result with respect to any kind of changes. Experimental results on ENRON and DBLP datasets show that the proposed algorithms are much more efficient than corresponding static algorithms and incremental spectral clustering algorithm. In addition, incremental k-clique clustering algorithms naturally avoid the accumulating error that incremental spectral clustering algorithm has. In contrast to snapshot graph model based algorithms, our algorithms can capture much more detailed changes of clusters in the granularity of a small change. Furthermore, local DFS forest updating algorithm not only gives out the updated connected components of a graph but also the updated DFS forest, which can be applied to other issues, such as finding a simple loop through a node. There are still some interesting works left for future research, including exploiting the power of the discovered changes uncovering other interesting knowledge, performing experiments on other kinds of datasets to further validate the capability of our algorithms and incorporating the textual information into the incremental k-clique clustering to track both the topical and structural changes of clusters.

Kết quả (Việt) 1:

Bài báo này mô hình các động thái của mạng xã hội như là một thay đổi dòng. Dựa trên mô hình này, địa phương DFS rừng Cập Nhật thuật toán được đề xuất cho cụm tập đoàn 2 gia tăng và sau đó nó tổng quát để gia tăng k-clique cụm. Chiến lược gia tăng cũng được thiết kế để đảm bảo tính chính xác của kết quả kết cụm đối với bất kỳ loại thay đổi. Các kết quả thử nghiệm trên datasets ENRON và DBLP cho thấy rằng các thuật toán được đề xuất là nhiều hơn nữa hiệu quả hơn tương ứng các thuật toán tĩnh và gia tăng thuật toán quang phổ kết cụm. Ngoài ra, thuật toán kết cụm tập đoàn k gia tăng tự nhiên tránh tích lũy các lỗi đó thuật toán gia tăng quang phổ kết cụm có. Trái ngược với ảnh chụp biểu đồ mô hình dựa trên thuật toán, thuật toán của chúng tôi có thể nắm bắt các thay đổi chi tiết nhiều hơn nữa của cụm ở granularity của một thay đổi nhỏ. Hơn nữa, địa phương DFS rừng Cập Nhật thuật toán không chỉ đưa ra các thành phần kết nối Cập Nhật của một đồ thị mà còn là rừng DFS Cập Nhật, có thể được áp dụng cho các vấn đề khác, chẳng hạn như việc tìm kiếm một vòng lặp đơn giản thông qua một nút. Vẫn còn có một số công việc thú vị để lại cho nghiên cứu trong tương lai, bao gồm cả khai thác sức mạnh của những thay đổi phát hiện khám phá khác thú vị kiến thức, thực hiện thí nghiệm trên các loại datasets để tiếp tục xác nhận khả năng của thuật toán của chúng tôi và kết hợp các thông tin văn bản vào k gia tăng clique clustering để theo dõi cả hai thay đổi chủ đề và cấu trúc của cụm.

Kết quả (Việt) 2:

Mô hình giấy này sự năng động của các mạng xã hội như là một dòng thay đổi. Dựa trên mô hình này, địa phương DFS cập nhật rừng thuật toán được đề xuất gia tăng phân nhóm 2-phe nhóm và sau đó nó được khái quát hóa để gia tăng k-clique clustering. Các chiến lược gia tăng cũng được thiết kế để đảm bảo tính chính xác của kết quả phân nhóm đối với bất kỳ loại thay đổi với. Kết quả thí nghiệm về Enron và DBLP bộ dữ liệu cho thấy rằng các thuật toán đề xuất hiệu quả hơn nhiều so với thuật toán tĩnh và cộng dồn thuật toán phân nhóm phổ tương ứng. Ngoài ra, thuật toán phân cụm k-bè lũ gia tăng tự nhiên tránh các lỗi tích lũy mà dồn thuật toán phân nhóm phổ có. Ngược lại với ảnh chụp đồ thị mô hình dựa trên thuật toán, thuật toán của chúng tôi có thể nắm bắt được nhiều chi tiết hơn những thay đổi của các cụm trong granularity của một sự thay đổi nhỏ. Hơn nữa, địa phương DFS cập nhật thuật toán rừng không chỉ đưa ra cập nhật các thành phần kết nối của một đồ thị mà còn là rừng DFS được cập nhật, có thể được áp dụng cho các vấn đề khác, chẳng hạn như việc tìm kiếm một vòng lặp đơn giản thông qua một nút. Hiện vẫn còn một số công trình thú vị để lại cho các nghiên cứu trong tương lai, bao gồm khai thác sức mạnh của những thay đổi phát hiện phát hiện kiến ​​thức thú vị khác, thực hiện các thí nghiệm trên các loại khác của các tập dữ liệu để tiếp tục xác nhận khả năng của các thuật toán của chúng tôi và kết hợp các thông tin văn bản vào gia tăng k-clique phân nhóm để theo dõi cả những thay đổi chủ đề và cơ cấu của các cụm.