Cualquier conjunto de datos con relaciones entre sus entidades se puede expresar como una matriz de afinidad o un gráfico. Los algoritmos de agrupamiento usualmente dependen de cuán apretados estén los nodos de un clúster entre ellos y cuán desvinculados están de los nodos fuera del clúster. Sin embargo, los patrones dentro de los grupos son importantes. Por ejemplo, el caso de las redes sociales muestra que, aparte de la cohesión dentro del clúster, la cantidad de relaciones transitivas entre los nodos es mayor que en otros casos de uso, como redes de proteínas, diseños de circuitos, etc. Consulte La estructura de las redes de colaboración científica.
Por lo tanto, explotar esta propiedad transitiva puede ser beneficioso para agrupar redes sociales. Y este es el núcleo de la detección de comunidad escalable, un algoritmo basado en la maximización de la métrica de clúster de comunidad ponderada (WCC), que no solo explica la cohesión sino también la cantidad de cierres transitivos que aparecen en un clúster. El aspecto importante de este algoritmo es que es más rápido y más preciso que los algoritmos de última generación. Consulte el documento que acaba de aceptar en la página www 2014 en upc.edu.
- ¿Qué tan importante es para el hombre en el medio saber la técnica de cifrado?
- Cómo obtener el número de coprimos de n bajo n
- ¿Por qué BFS no puede resolver todos los problemas de ruta más corta de una sola fuente?
- ¿Cuál es la comparación en algoritmo de Sieve of Sundaram y Sieve of Eratosthenes con tiempo-complejidad?
- ¿Cómo se puede calcular la mediana de una gran variedad de enteros sin mantener todos los valores en la memoria?
