Firstly, snapshot graphmodel separa

Firstly, snapshot graphmodel separates the time into time-slices according to a predefined
time interval. Unfortunately, it is rather difficult for users to set a reasonable time interval.
On the contrary, incremental clustering tracks the dynamics of the social network in the
granularity of a small change, i.e. edge or node deletion or addition, rather than a time-slice,
thus eliminates the parameter setting problem of snapshot graph model.
Next, when the time interval is improperly specified, the evolving details of the clusters
in the dynamic social network might be missed by snapshot graph model. Figure 1a shows
the snapshot graph model, which computes a clustering result for each time-slice. However,
there may be a sequence of small changes from Gt to Gt+1. One possible such change
sequence is {12−, 13−, 45−, 14+, 25+, 35+}, where uv− represents deletion of edge uv
and uv+ represents addition of edge uv. Snapshot graph model regards the change sequence
as a whole such that it loses detailed dynamics of the clusters. On the contrary, incremental
clustering models the dynamics as a change stream as Fig. 1b shows, and it tracks the changes
sequentially and discovers interesting evolving details of the clusters.

Kết quả (Việt) 1:

Trước hết, ảnh chụp graphmodel tách thời gian vào thời gian-lát theo một tậpkhoảng thời gian. Thật không may, nó là khá khó khăn cho người dùng để thiết lập một khoảng thời gian hợp lý.Ngược lại, gia tăng clustering theo dõi các động thái của mạng xã hội trong cácgranularity của một thay đổi nhỏ, tức là cạnh hoặc nút xóa hoặc bổ sung, chứ không phải là một thời gian-lát,do đó loại bỏ vấn đề cài đặt tham số của ảnh chụp biểu đồ mô hình.Tiếp theo, khi khoảng thời gian được chỉ định không đúng cách, các chi tiết phát triển trong nhữngtrong mạng xã hội năng động có thể được bỏ qua bởi ảnh chụp biểu đồ mô hình. Con số 1a cho thấyảnh chụp biểu đồ mô hình, mà tính kết quả kết cụm cho mỗi thời gian-lát. Tuy nhiên,có thể có một chuỗi các thay đổi nhỏ từ Gt Gt + 1. Một tốt như vậy thay đổiChuỗi {12−, 13−, 45−, 14 + 25 +, 35 +}, trong đó loại bỏ đại diện cho uv− cạnh tia cực tímvà uv + đại diện bổ sung các cạnh tia cực tím. Ảnh chụp biểu đồ mô hình liên quan đến trình tự thay đổinhư một toàn thể, như vậy mà nó sẽ mất chi tiết động thái của các cụm. Ngược lại, gia tăngclustering mô hình các động thái như là một thay đổi dòng như hình 1b cho thấy, và nó theo dõi những thay đổituần tự và phát hiện ra chi tiết thú vị phát triển cụm.

Kết quả (Việt) 2:

Thứ nhất, ảnh chụp graphmodel tách thời gian vào thời gian theo một lát được xác định trước
khoảng thời gian. Thật không may, nó là khá khó khăn cho người dùng để thiết lập một khoảng thời gian hợp lý.
Ngược lại, clustering gia tăng theo dõi các động thái của các mạng xã hội trong các
chi tiết của một sự thay đổi nhỏ, tức là cạnh hoặc nút xóa hoặc bổ sung, chứ không phải là một thời gian-slice ,
nhờ đó loại bỏ các thiết lập tham số vấn đề của đồ thị ảnh chụp mô hình.
Tiếp theo, khi khoảng thời gian được quy định không đúng, các chi tiết phát triển các cụm
trong các mạng xã hội năng động, có thể bỏ qua bằng biểu đồ mô hình chụp. Hình 1a cho thấy
ảnh chụp mô hình đồ thị, mà tính kết quả phân nhóm cho từng thời gian slice. Tuy nhiên,
có thể có một chuỗi các thay đổi nhỏ từ Gt để Gt + 1. Một sự thay đổi đó có thể
là chuỗi {12-, 13-, 45-, 14+, 25+, 35+}, nơi uv- đại diện xóa uv cạnh
và uv + Ngoài đại diện của cạnh uv. Ảnh chụp mô hình đồ thị liên quan đến việc thay đổi trình tự
như một tổng thể như vậy mà nó bị mất việc năng động của các cụm chi tiết. Ngược lại, gia tăng
mô hình phân nhóm các động thái như là một dòng thay đổi như hình. 1b cho thấy, và nó theo dõi những thay đổi
liên tục và phát hiện ra chi tiết phát triển thú vị của các nhóm.