Clustering is a Data Mining techniq

Clustering is a Data Mining technique, which has been widely used in many practical applications. From these applications, there are some, like social network analysis, topic detection and tracking, information retrieval, categorization of digital libraries, among others, where objects may belong to more than one cluster; however, most clustering algorithms build disjoint clusters. In this work, we introduce OClustR, a new graph-based clustering algorithm for building overlapping clusters. The proposed algorithm introduces a new graph-covering strategy and a new filtering strategy, which together allow to build overlapping clusterings more accurately than those built by previous algorithms. The experimental evaluation, conducted over several standard collections, showed that our proposed algorithm builds less clusters than those built by the previous related algorithms. Additionally, OClustR builds clusters with overlapping closer to the real overlapping in the collections than the overlapping generated by other clustering algorithms.

ผลลัพธ์ (ไทย) 1:

คลัสเตอร์มีเทคนิคทำเหมืองแร่ข้อมูล ซึ่งได้ถูกใช้ในการปฏิบัติงานหลาย ๆ จากโปรแกรมประยุกต์เหล่านี้ มีบางอย่าง เช่นวิเคราะห์เครือข่ายทางสังคม ตรวจสอบหัวข้อ และการ ติดตาม การเรียกข้อมูล การจัดประเภทของดิจิตอลไลบรารี หมู่คนอื่น ๆ ที่วัตถุอาจเป็นสมาชิกของกลุ่มมากกว่าหนึ่ง อย่างไรก็ตาม อัลกอริทึมของระบบคลัสเตอร์ส่วนใหญ่สร้างคลัสเตอร์ในตัว ในงานนี้ เราแนะนำ OClustR แบบใหม่ตามกราฟระบบคลัสเตอร์อัลกอริทึมสำหรับการสร้างกลุ่มทับซ้อนกัน อัลกอริทึมเสนอแนะนำกราฟครอบคลุมกลยุทธ์ใหม่และกลยุทธ์การกรองใหม่ ที่ร่วมกันสร้าง clusterings ที่ทับซ้อนกันได้อย่างถูกต้องมากกว่าผู้สร้าง โดยอัลกอริทึมที่ก่อนหน้านี้ ประเมินผลทดลอง ดำเนินการผ่านหลายชุดมาตรฐาน แสดงให้เห็นว่า อัลกอริทึมของเราเสนอสร้างคลัสเตอร์น้อยกว่าสร้าง โดยอัลกอริทึมก่อนหน้านี้ที่เกี่ยวข้อง นอกจากนี้ OClustR สร้างคลัสเตอร์ มีการทับซ้อนใกล้ชิดจริงที่ทับซ้อนกันในคอลเลกชันกว่าทับซ้อนที่สร้างขึ้น โดยอัลกอริทึมอื่น ๆ ระบบคลัสเตอร์

ผลลัพธ์ (ไทย) 2:

การจัดกลุ่มเป็นเทคนิคการทำเหมืองข้อมูลซึ่งได้รับการใช้กันอย่างแพร่หลายในการปฏิบัติงานจำนวนมาก จากการใช้งานเหล่านี้มีบางอย่างเช่นการวิเคราะห์เครือข่ายทางสังคม, การตรวจสอบหัวข้อและการติดตามการดึงข้อมูลประเภทของห้องสมุดดิจิทัลอื่น ๆ ในกลุ่มที่วัตถุที่อาจเป็นมากกว่าหนึ่งกลุ่ม; แต่ส่วนใหญ่ขั้นตอนวิธีการจัดกลุ่มสร้างกลุ่มเคลื่อน ในงานนี้เราแนะนำ OClustR, การจัดกลุ่มอัลกอริทึมของกราฟที่ใช้ใหม่สำหรับการสร้างกลุ่มที่ทับซ้อนกัน อัลกอริทึมที่นำเสนอแนะนำกลยุทธ์กราฟครอบคลุมใหม่และกลยุทธ์การกรองใหม่ที่ร่วมกันช่วยให้การสร้างทับซ้อนกัน clusterings ถูกต้องมากขึ้นกว่าผู้ที่ถูกสร้างขึ้นโดยขั้นตอนวิธีการก่อนหน้านี้ การประเมินผลการทดลองดำเนินการผ่านทางคอลเลกชันหลายมาตรฐานแสดงให้เห็นว่าอัลกอริทึมที่นำเสนอของเราสร้างกลุ่มน้อยกว่าที่สร้างขึ้นโดยอัลกอริทึมที่เกี่ยวข้องก่อนหน้านี้ นอกจากนี้ OClustR สร้างกลุ่มที่มีการทับซ้อนกันใกล้ชิดกับที่ทับซ้อนกันจริงในคอลเลกชันกว่าที่ทับซ้อนที่เกิดจากขั้นตอนวิธีการจัดกลุ่มอื่น ๆ

ผลลัพธ์ (ไทย) 3:

การจัดกลุ่มเป็นเทคนิคการทำเหมืองข้อมูล ซึ่งมีการใช้กันอย่างแพร่หลายในการใช้งานจริงมาก จากโปรแกรมเหล่านี้ มีบาง เช่น การวิเคราะห์เครือข่ายทางสังคม , การตรวจสอบและติดตามเรื่อง การสืบค้นข้อมูล การจัดหมวดหมู่ของห้องสมุดดิจิตอล , หมู่คนอื่น ๆที่อาจอยู่ในกลุ่มมากกว่าหนึ่ง อย่างไรก็ตาม ส่วนใหญ่การจัดกลุ่มขั้นตอนวิธีการสร้างไม่ต่อเนื่องกลุ่ม ในงานนี้เราแนะนำ oclustr , กราฟใหม่ตามการจัดกลุ่มขั้นตอนวิธีสำหรับการสร้างกลุ่มที่ทับซ้อนกัน วิธีที่เสนอแนะนำกราฟใหม่ครอบคลุมกลยุทธ์และกลยุทธ์ใหม่กรองเข้าด้วยกันซึ่งอนุญาตให้สร้าง clusterings ซ้อนมากขึ้นถูกต้องกว่าที่สร้างขึ้นโดยวิธีการเดิม การประเมินผลการทดลอง ดำเนินการผ่านคอลเลกชันมาตรฐานหลายพบว่าวิธีที่เสนอสร้างกลุ่มของเราน้อยกว่าที่สร้างขึ้น โดยก่อนหน้าที่เกี่ยวข้องอัลกอริทึม นอกจากนี้ oclustr สร้างคลัสเตอร์กับทับซ้อนใกล้จริงที่ทับซ้อนกันในคอลเลกชันกว่า ซ้อนที่สร้างขึ้นโดยกลุ่มอื่น ๆวิธีการ