具有更好种子集包含的基于流的局部图聚类
社会与信息网络
2019-03-26 v2 数据结构与算法
摘要
基于流的局部图聚类方法因其理论上的切分改进与运行时间保证而近期受到显著关注。在本工作中，我们提出两项改进，用于将基于流的方法应用于现实世界的半监督聚类问题。我们的第一个贡献是一个广义目标函数，使实践者能够对将特定种子节点排除在输出集之外施加严格与软性惩罚。该特性使我们能够避免先前基于流的方法常表现出的倾向，即把大型种子集收缩为一个不包含全部甚至大部分种子节点的小节点集。我们的第二个贡献是一个基于 push-relabel 算法变体（用于计算预流）的快速最小化广义目标函数算法。我们通过实现全局重标记启发式方法并采用热启动过程来快速求解相关切问题，使我们的方法在实践中非常快。在实践中，我们的算法比先前相关的基于流的方法更快，并且由于能更好地纳入关于目标簇的半监督信息，在检测图中真实目标区域时也更为鲁棒。
引用
@article{arxiv.1811.12280,
title = {Flow-Based Local Graph Clustering with Better Seed Set Inclusion},
author = {Nate Veldt and Christine Klymko and David Gleich},
journal= {arXiv preprint arXiv:1811.12280},
year = {2019}
}