論文の概要: Overlapping Community Detection in Temporal Text Networks
- arxiv url: http://arxiv.org/abs/2101.05137v1
- Date: Wed, 13 Jan 2021 15:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 07:52:02.069456
- Title: Overlapping Community Detection in Temporal Text Networks
- Title(参考訳): 時間的テキストネットワークにおける重複コミュニティ検出
- Authors: Shuhan Yan, Yuting Jia, Xinbing Wang
- Abstract要約: 時間的テキストネットワークにおけるコミュニティ検出の重複問題について検討する。
32の大規模テンポラリテキストネットワークを調べることで、共通のコミュニティを持たない2つのノードをつなぐ多くのエッジを見出した。
これらの実証的な観察を動機に、コミュニティの相互作用を捉えた生成モデルであるMAGICを提案します。
- 参考スコア(独自算出の注目度): 26.489288530629892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analyzing the groups in the network based on same attributes, functions or
connections between nodes is a way to understand network information. The task
of discovering a series of node groups is called community detection.
Generally, two types of information can be utilized to fulfill this task, i.e.,
the link structures and the node attributes. The temporal text network is a
special kind of network that contains both sources of information. Typical
representatives include online blog networks, the World Wide Web (WWW) and
academic citation networks. In this paper, we study the problem of overlapping
community detection in temporal text network. By examining 32 large temporal
text networks, we find a lot of edges connecting two nodes with no common
community and discover that nodes in the same community share similar textual
contents. This scenario cannot be quantitatively modeled by practically all
existing community detection methods. Motivated by these empirical
observations, we propose MAGIC (Model Affiliation Graph with Interacting
Communities), a generative model which captures community interactions and
considers the information from both link structures and node attributes. Our
experiments on 3 types of datasets show that MAGIC achieves large improvements
over 4 state-of-the-art methods in terms of 4 widely-used metrics.
- Abstract(参考訳): ネットワーク内のグループを同じ属性、機能、ノード間の接続に基づいて分析することは、ネットワーク情報を理解する方法である。
一連のノードグループを発見するタスクは、コミュニティ検出と呼ばれる。
一般に、このタスク、すなわちリンク構造とノード属性を満たすために2種類の情報を利用することができる。
時間的テキストネットワークは、両方の情報源を含む特別な種類のネットワークである。
典型的な代表者は、オンラインブログネットワーク、World Wide Web(WWW)、学術引用ネットワークである。
本稿では,時間的テキストネットワークにおけるコミュニティ検出の重複問題について検討する。
32の大規模テンポラリテキストネットワークを調べると,共通コミュニティのない2つのノードを接続するエッジが多数存在し,同じコミュニティ内のノードが類似したテキストコンテンツを共有していることが分かる。
このシナリオは、既存の全てのコミュニティ検出手法で定量的にモデル化することはできない。
これらの経験的観察に動機づけられ、コミュニティ間の相互作用を捉え、リンク構造とノード属性の両方からの情報を検討する生成モデルであるmagic(model affiliation graph with interaction communities)を提案する。
3種類のデータセットに対する実験により,MAGICは4つの最先端手法に対して,4つの広く使用されているメトリクスにおいて大きな改善を達成していることが示された。
関連論文リスト
- CS-TGN: Community Search via Temporal Graph Neural Networks [0.0]
本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
論文 参考訳(メタデータ) (2023-03-15T22:23:32Z) - CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search
in Multiplex Networks [0.0]
本稿では,マルチプレクサネットワークにおけるクエリ駆動グラフ畳み込みネットワークCS-MLGCNを提案する。
地道なコミュニティを持つ実世界のグラフの実験は、得られるソリューションの品質を検証する。
論文 参考訳(メタデータ) (2022-10-17T07:47:19Z) - TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。
まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。
次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
論文 参考訳(メタデータ) (2022-06-15T02:33:10Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳(メタデータ) (2022-05-24T16:22:40Z) - Heterformer: Transformer-based Deep Node Representation Learning on
Heterogeneous Text-Rich Networks [29.33447325640058]
Heterformerは、コンテキスト化されたテキストエンコーディングと、統一されたモデルでヘテロジニアスな構造エンコーディングを実行する。
我々は3つの大規模データセット上で3つのタスク(リンク予測、ノード分類、ノードクラスタリング)について包括的な実験を行う。
論文 参考訳(メタデータ) (2022-05-20T16:26:39Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳(メタデータ) (2021-05-26T14:37:07Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳(メタデータ) (2020-09-15T00:16:12Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:36:24Z) - FONDUE: A Framework for Node Disambiguation Using Network Embeddings [17.118125020178162]
最も単純な形式では、ネットワークは実生活の実体(人、論文、タンパク質、概念など)をノードとして表現する。
本稿では,ネットワーク内のノードが複数の実生活エンティティに対応するという共通問題に焦点をあてる。
本稿では,ノード不明瞭化のためのネットワーク埋め込みに基づくアルゴリズムであるFONDUEを紹介する。
論文 参考訳(メタデータ) (2020-02-24T09:34:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。