×

SA集群

swMATH ID: 6867
软件作者: 程红;周,杨;黄欣;Yu,Jeffrey Xu先生
描述: 集群化大型属性信息网络:一种高效的增量计算方法近年来,许多信息网络已可用于分析,包括社会网络、道路网络、传感器网络、生物网络等。图聚类在分析和可视化大型网络方面显示出其有效性。图聚类的目标是根据顶点连通性或邻域相似性等各种标准将大型图中的顶点划分为聚类。现有的许多图聚类方法主要关注于拓扑结构,但在很大程度上忽略了顶点属性的异构性。最近,提出了一种新的图聚类算法SA-聚类,它通过统一的距离度量将结构相似性和属性相似性结合起来。SA-Cluster执行矩阵乘法以计算图形顶点之间的随机行走距离。作为聚类细化的一部分,迭代调整图的边缘权重,以平衡结构相似性和属性相似性之间的相对重要性。因此,在聚类过程的每次迭代中都会重复矩阵乘法,以重新计算受边缘权重更新影响的随机行走距离。为了提高SA-聚类的效率和可扩展性,本文提出了一种高效的算法Inc-cluster,在给定边权重增量的情况下,增量更新随机行走距离。提供复杂性分析以估计Inc-Cluster可以节省多少运行时成本。我们在多核体系结构上进一步设计了并行矩阵计算技术。实验结果表明,在大型图上,Inc-Cluster比SA-Cluster实现了显著的加速,同时在簇内结构内聚性和属性值同质性方面实现了完全相同的聚类质量。
主页: http://www.mendeley.com/catalog/clustering-large-attributed-graphs-efficient-incremental-approach/
关键词: 图聚类顶点划分顶点属性增量计算并行计算SA集群结构和属性相似性随机步行距离聚类细化边缘权重
相关软件: Inc群集GraRep公司节点2vec帕杰克SimRank公司SpectralNet公司单词2vecDeepWalk公司张紧器2传感器亚当戴维应用的预测建模记录仪线路ap集群AS 136标准APC集群SNAP(快照)github鲁万将军
引用于: 12文件

按年份列出的引文