1. Scalable and Memory-Efficient Clustering of Massive GraphsA popular การแปล - 1. Scalable and Memory-Efficient Clustering of Massive GraphsA popular ไทย วิธีการพูด

1. Scalable and Memory-Efficient Cl

1. Scalable and Memory-Efficient Clustering of Massive Graphs

A popular class of graph clustering algorithms for large-scale networks, such as PMetis, KMetis and Graclus, is based on a multilevel framework. Generally, these multilevel algorithms work reasonably well on networks with a few million vertices. However, when the network size increases to the scale of 10 million vertices or greater, the performance of these algorithms rapidly degrades. An inherent property of social networks, the power law degree distribution, makes these algorithms infeasible to apply to large-scale social networks. We propose a scalable and memory-efficient clustering algorithm, GEM, which efficiently extracts a good skeleton graph from the original graph, and propagates the clustering result of the extracted graph to the rest of the network. Experimental results show that GEM produces clusters of quality comparable to or better than existing state-of-the-art graph clustering algorithms, while it is much faster and consumes much less memory. Furthermore, the parallel implementation of GEM, called PGEM, not only produces higher quality of clusters but also achieves much better scalability than most current parallel graph clustering algorithms.
0/5000
จาก: -
เป็น: -
ผลลัพธ์ (ไทย) 1: [สำเนา]
คัดลอก!
1. เปลี่ยนขนาด และหน่วยความจำมีประสิทธิภาพคลัสเตอร์ของกราฟขนาดใหญ่ชั้นยอดของกราฟอัลกอริทึมสำหรับเครือข่ายขนาดใหญ่ PMetis, KMetis และ Graclus คลัสเตอร์ขึ้นอยู่กับกรอบการทำงานหลายระดับ ทั่วไป อัลกอริทึมหลายเหล่านี้ทำงานบนเครือข่ายที่มีจุดยอดล้านกี่อย่าง อย่างไรก็ตาม เมื่อขนาดเครือข่ายเพิ่มขึ้น ขนาด ของจุดยอด 10 ล้าน หรือมากกว่าประสิทธิภาพการทำงานของอัลกอริทึมเหล่านี้อย่างรวดเร็วเสื่อม มีคุณสมบัติโดยธรรมชาติของเครือข่ายทางสังคม ระบบองศาไฟฟ้ากฎหมาย ทำให้อัลกอริทึมเหล่านี้ถอดไปใช้กับเครือข่ายทางสังคมขนาดใหญ่ เราเสนอการปรับสเกล และหน่วยความจำมีประสิทธิภาพระบบคลัสเตอร์อัลกอริทึม อัญมณี ซึ่งแยกดีกระดูกกราฟจากกราฟเดิม และเผยแพร่ผลของกราฟแยกของเครือข่ายระบบคลัสเตอร์ ผลการทดลองแสดงว่า พลอยสร้างคลัสเตอร์คุณภาพเทียบเท่ากับ หรือดีกว่าสมัยของกราฟอยู่ที่คลัสเตอร์อัลกอริทึม มันจะเร็วมาก และใช้หน่วยความจำน้อยมาก นอกจากนี้ ดำเนินคู่ขนานของอัญมณี PGEM ที่เรียกว่าไม่เพียงแต่สร้างคลัสเตอร์ที่มีคุณภาพสูง แต่ยัง ประสบความสำเร็จมากขยับดีกว่ากราฟขนานล่าสุดอัลกอริทึมคลัสเตอร์
การแปล กรุณารอสักครู่..
ผลลัพธ์ (ไทย) 2:[สำเนา]
คัดลอก!
1. ปรับขนาดและการจัดกลุ่มหน่วยความจำที่มีประสิทธิภาพของกราฟขนาดใหญ่ชั้นที่เป็นที่นิยมของขั้นตอนวิธีการจัดกลุ่มกราฟสำหรับเครือข่ายขนาดใหญ่เช่น PMetis, KMetis Graclus และอยู่บนพื้นฐานของกรอบหลายระดับ โดยทั่วไปเหล่านี้หลายขั้นตอนวิธีการทำงานได้ดีพอสมควรในเครือข่ายที่มีไม่กี่ล้านจุด แต่เมื่อเครือข่ายขนาดเพิ่มขนาดของ 10 ล้านจุดหรือมากกว่าประสิทธิภาพการทำงานของอัลกอริทึมเหล่านี้อย่างรวดเร็วลด โดยธรรมชาติของสถานที่ให้บริการเครือข่ายทางสังคม, การกระจายอำนาจปริญญาทางกฎหมายที่ทำให้ขั้นตอนวิธีการเหล่านี้เป็นไปไม่ได้ที่จะนำไปใช้กับเครือข่ายทางสังคมขนาดใหญ่ เราเสนอปรับขนาดได้และขั้นตอนวิธีการจัดกลุ่มหน่วยความจำที่มีประสิทธิภาพ GEM ซึ่งมีประสิทธิภาพสารสกัดจากกราฟโครงกระดูกที่ดีจากกราฟเดิมและแพร่กระจายผลการจัดกลุ่มของกราฟสกัดส่วนที่เหลือของเครือข่าย ผลการทดลองแสดงให้เห็นว่ากลุ่ม GEM ผลิตที่มีคุณภาพเทียบเท่าหรือดีกว่าที่มีอยู่ในรัฐของศิลปะขั้นตอนวิธีการจัดกลุ่มกราฟในขณะที่มันได้เร็วขึ้นมากและสิ้นเปลืองหน่วยความจำน้อยมาก นอกจากนี้การดำเนินการคู่ขนานของ GEM เรียก PGEM ไม่เพียง แต่ผลิตที่มีคุณภาพที่สูงขึ้นของกลุ่ม แต่ยังประสบความสำเร็จในการขยายระบบที่ดีกว่าคู่ขนานในปัจจุบันมากที่สุดขั้นตอนวิธีการจัดกลุ่มกราฟ


การแปล กรุณารอสักครู่..
ผลลัพธ์ (ไทย) 3:[สำเนา]
คัดลอก!
1 . อุปกรณ์หน่วยความจำที่มีประสิทธิภาพในการจัดกลุ่มใหญ่กราฟ

ชั้นเป็นที่นิยมของกราฟขั้นตอนวิธีการจัดกลุ่มสำหรับเครือข่ายขนาดใหญ่ เช่น pmetis kmetis graclus , และ , จะขึ้นอยู่กับกรอบที่หลาย โดยทั่วไปขั้นตอนวิธีหลายเหล่านี้ทำงานได้ดีบนเครือข่ายกับหลายล้านจุด . อย่างไรก็ตาม เมื่อขนาดของเครือข่ายเพิ่มขึ้นถึงระดับ 10 ล้านจุดหรือมากกว่าประสิทธิภาพของขั้นตอนวิธีเหล่านี้อย่างรวดเร็วนี้ . คุณสมบัติที่แท้จริงของเครือข่ายทางสังคม , กฎหมายพลังงานระดับการกระจายทำให้ขั้นตอนวิธีเหล่านี้ทำเพื่อใช้กับเครือข่ายทางสังคมขนาดใหญ่ เรานำเสนออุปกรณ์หน่วยความจำที่มีประสิทธิภาพในการจัดกลุ่มขั้นตอนวิธี อัญมณี ซึ่งมีประสิทธิภาพสารสกัดกราฟโครงกระดูกที่ดีจากกราฟเดิมผลของการจัดกลุ่ม และแพร่กระจายได้กราฟส่วนที่เหลือของเครือข่าย ผลการทดลองแสดงให้เห็นว่า กลุ่มอัญมณี ผลิตคุณภาพเทียบเท่าหรือดีกว่าเดิม รัฐ - of - the - art กราฟขั้นตอนวิธีการจัดกลุ่มในขณะที่มันมากเร็ว และใช้หน่วยความจำน้อยมาก นอกจากนี้ การเรียก pgem ขนาน , อัญมณีไม่เพียง แต่ผลิตที่มีคุณภาพของกลุ่มที่สูงขึ้น แต่ยังสามารถพัฒนาได้ดีกว่าในปัจจุบันมากที่สุดขนานกราฟขั้นตอนวิธีการจัดกลุ่ม .
การแปล กรุณารอสักครู่..
 
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.

Copyright ©2024 I Love Translation. All reserved.

E-mail: