論文の概要: Co-Embedding: Discovering Communities on Bipartite Graphs through Projection

• arxiv url: http://arxiv.org/abs/2109.07135v1
• Date: Wed, 15 Sep 2021 07:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:55:33.842738
• Title: Co-Embedding: Discovering Communities on Bipartite Graphs through Projection
• Title（参考訳）: co-embedding:プロジェクションによる2部グラフ上のコミュニティの発見
• Authors: Ga\"elle Candel and David Naccache
• Abstract要約: 多くのデータセットは2種類のノードが関係によって接続される二部グラフの形式を取る。 本稿では,特徴の類似性を測定するために,項目投影を用いた協調クラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many datasets take the form of a bipartite graph where two types of nodes are connected by relationships, like the movies watched by a user or the tags associated with a file. The partitioning of the bipartite graph could be used to fasten recommender systems, or reduce the information retrieval system's index size, by identifying groups of items with similar properties. This type of graph is often processed by algorithms using the Vector Space Model representation, where a binary vector represents an item with 0 and 1. The main problem with this representation is the dimension relatedness, like words' synonymity, which is not considered. This article proposes a co-clustering algorithm using items projection, allowing the measurement of features similarity. We evaluated our algorithm on a cluster retrieval task. Over various datasets, our algorithm produced well balanced clusters with coherent items in, leading to high retrieval scores on this task.
• Abstract（参考訳）: 多くのデータセットは、ユーザが見る映画やファイルに関連付けられたタグなど、2つのタイプのノードが関係によって接続される2部グラフの形式を取っている。 両部グラフの分割は、類似した性質を持つ項目のグループを識別することにより、レコメンデーションシステムの高速化や、情報検索システムのインデックスサイズ削減に利用することができる。 このようなグラフはしばしばベクトル空間モデル表現を用いてアルゴリズムによって処理され、二進ベクトルは 0 と 1 の項目を表す。 この表現の主な問題は、考慮されていない単語の同義語のような次元関係性である。 本稿では,特徴の類似性を測定するために,項目投影を用いた協調クラスタリングアルゴリズムを提案する。 我々はクラスタ検索タスクでアルゴリズムを評価した。 様々なデータセットにおいて,アルゴリズムはコヒーレントな項目を含むバランスの取れたクラスタを生成し,高い検索スコアを得た。

関連論文リスト

• An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph [0.0]
  本稿では,知識グラフ表現から一般的なグラフノードの埋め込みを生成する方法について論じる。 埋め込み空間は、局所親和性とリモート構造関連性の両方を模倣するいくつかのサブ機能から構成される。
  論文  参考訳（メタデータ） (2024-07-22T14:43:10Z)
• Comparing Personalized Relevance Algorithms for Directed Graphs [0.34952465649465553]
  我々は、有向グラフが与えられた場合、与えられたクエリノードに関連する最も関連性の高いノードを識別できる対話型Webプラットフォームを提案する。 Wikipedia、Twitter、Amazonから50のプレロードデータセットと7つのアルゴリズムを提供しています。 我々のツールは、データ内の隠れた関係を明らかにするのに役立ち、グラフ解析アルゴリズムのレパートリーに価値ある追加となる。
  論文  参考訳（メタデータ） (2024-05-03T17:24:08Z)
• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• Visualizing Overlapping Biclusterings and Boolean Matrix Factorizations [7.509129971169722]
  重なり合うクラスタのクラスタリングを二部グラフで可視化する問題について検討する。 優れた視覚化が満たすべき3つの異なる目的を概念化します。 実世界のデータセットの実験では、これらの競合する目標間の最良のトレードオフは、小説によって達成される。
  論文  参考訳（メタデータ） (2023-07-14T15:12:55Z)
• Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering [4.264842058017711]
  コミュニティ検出は、実際のグラフを分析する上で重要な課題である。 この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。 ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
  論文  参考訳（メタデータ） (2023-03-21T22:12:53Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Relation Regularized Scene Graph Generation [206.76762860019065]
  SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。 本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。 我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
  論文  参考訳（メタデータ） (2022-02-22T11:36:49Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Hierarchical clustering of bipartite data sets based on the statistical significance of coincidences [0.0]
  本稿では,2つのエンティティが共有する特徴が単なるチャンスに起因する確率を定量化するエンティティ間の相似性に基づく階層的クラスタリングアルゴリズムを提案する。 アルゴリズムのパフォーマンスは n 個のエンティティの集合に適用された場合$O(n2)$であり、その結果はそれらのエンティティの接続を示すデンドログラムである。
  論文  参考訳（メタデータ） (2020-04-27T23:30:18Z)

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。