图聚类方法摘要能力的经验比较
信息检索
2015-11-24 v1 社会与信息网络
摘要
图聚类技术在摘要能力方面相比如何？它们能用少量代表性结构来概括百万节点图的程度有多好？图聚类或社区发现算法能用相干且紧密连接的簇来概括图。在本文中，我们比较和对比不同技术：METIS、Louvain、谱聚类、SlashBurn 以及我们提出的基于 k-core 的聚类方法 KCBC。与关注簇质量各种度量的先前工作不同，我们使用真实图中常出现的词汇结构以及最小描述长度（MDL）原理来为每种聚类方法获得图摘要。我们的主要贡献是：(i) 公式化：我们提出基于摘要的聚类方法评估。我们的方法 VOG-OVERLAP 以其重要结构简洁地概括图，这些结构导致小的边重叠和大的节点/边覆盖；(ii) 算法：我们引入 KCBC，一种图分解技术，其核心在于 k-core 算法；(iii) 评估：我们在大型真实图上比较五种聚类技术的摘要能力，并分析其压缩性能、摘要统计和运行时长。
引用
@article{arxiv.1511.06820,
title = {An Empirical Comparison of the Summarization Power of Graph Clustering Methods},
author = {Yike Liu and Neil Shah and Danai Koutra},
journal= {arXiv preprint arXiv:1511.06820},
year = {2015}
}
备注
NIPS workshop: Networks in the Social and Information Sciences