AnalysisWe use two different cluste

Analysis

We use two different clustering techniques (k-means, a partitioning clustering technique, and DBSCAN, a density-based clustering technique) on the frequency of contact of each ego network to search for a layered structure. Partitioning clustering algorithms start with a set of objects and divide the data space into k clusters so that the objects inside a cluster are more similar to each other than objects in other clusters. For each ego network, we order alters in a one dimensional space by contact frequency with the ego, and search for clusters in this one dimensional space using the technique described in Wang and Song (2011). Density-based clustering algorithms are able to identify clusters in a space of objects with areas with different densities ( Kriegel et al., 2011).

ผลลัพธ์ (ไทย) 1:

วิเคราะห์เราใช้สองระบบคลัสเตอร์เทคนิคต่าง ๆ (k หมายถึง เทคนิคแบ่งพาร์ติชันระบบคลัสเตอร์ และ DBSCAN ความหนาแน่นตามเทคนิคระบบคลัสเตอร์) กับความถี่ของผู้ติดต่อของเครือข่ายแต่ละอาตมาเพื่อค้นหาโครงสร้างชั้น แบ่งพาร์ทิชันของอัลกอริทึมระบบคลัสเตอร์เริ่มต้น ด้วยชุดของวัตถุ และแบ่งพื้นที่ข้อมูล k คลัสเตอร์เพื่อให้วัตถุภายในคลัสเตอร์มากขึ้นคล้ายกันกว่าวัตถุในคลัสเตอร์อื่น ๆ แต่ละเครือข่ายอาตมา เราสั่งการเปลี่ยนแปลงในหนึ่งมิติโดยติดต่อถี่อาตมา และค้นหาคลัสเตอร์ในหนึ่งมิติพื้นที่นี้ใช้เทคนิคที่อธิบายไว้ในวังและเพลง (2011) ความหนาแน่นตามระบบคลัสเตอร์อัลกอริทึมจะระบุคลัสเตอร์ในพื้นที่ของวัตถุที่มีพื้นที่ที่ มีความหนาแน่นแตกต่างกัน (Kriegel et al., 2011)

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์เราใช้ทั้งสองเทคนิคการจัดกลุ่มที่แตกต่างกัน (k-หมายถึงเทคนิคการจัดกลุ่มแบ่งพาร์ทิชันและ DBSCAN เทคนิคการจัดกลุ่มความหนาแน่น based) กับความถี่ของการติดต่อของเครือข่ายแต่ละอัตตาเพื่อค้นหาโครงสร้างชั้น ขั้นตอนวิธีการจัดกลุ่มแบ่งพาร์ทิชันเริ่มต้นด้วยชุดของวัตถุและแบ่งพื้นที่ข้อมูลลงในกลุ่ม k เพื่อให้วัตถุที่อยู่ภายในกลุ่มมีมากขึ้นคล้าย ๆ กันกว่าวัตถุในกลุ่มอื่น ๆ สำหรับเครือข่ายอัตตาแต่ละครั้งเราสั่ง alters ในมิติหนึ่งโดยความถี่ในการติดต่อกับอาตมาและค้นหากลุ่มในพื้นที่หนึ่งมิติโดยใช้เทคนิคที่อธิบายไว้ในวังและเพลง (2011) ความหนาแน่นตามขั้นตอนวิธีการจัดกลุ่มสามารถระบุกลุ่มในพื้นที่ของวัตถุที่มีพื้นที่ที่มีความหนาแน่นที่แตกต่างกัน (Kriegel et al., 2011)

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์

เราใช้เทคนิคที่แตกต่างกันสองกลุ่ม ( k-means , พาร์ทิชันข้อมูลเทคนิคและ dbscan , ความหนาแน่นโดยใช้เทคนิคการจัดกลุ่ม ) บนความถี่ของการติดต่อของแต่ละอัตตาเครือข่ายเพื่อค้นหาชั้นโครงสร้างการจัดกลุ่มขั้นตอนวิธีการเริ่มต้นด้วยชุดของวัตถุและแบ่งข้อมูลพื้นที่ใน K กลุ่มเพื่อให้วัตถุภายในกลุ่มมีมากขึ้นคล้ายกับแต่ละอื่น ๆ มากกว่าวัตถุในกลุ่มอื่น ๆ สำหรับแต่ละอัตตาเครือข่ายที่เราสั่งซื้อไปในหนึ่งมิติอวกาศโดยติดต่อความถี่กับอัตตาและค้นหากลุ่มในช่องว่างมิตินี้โดยใช้เทคนิคที่อธิบายไว้ใน วัง และเพลง ( 2011 ) ความหนาแน่นตามการจัดกลุ่มขั้นตอนวิธีการที่สามารถระบุกลุ่มในพื้นที่ของวัตถุกับพื้นที่ที่มีความหนาแน่นแตกต่างกัน ( ครีเกิล et al . , 2011 )