ترجمه فارسی مقاله ووکامرس تشخیص داده شده است که برخی از افزونه‌های فعال شما با ویژگی‌هایی از ووکامرس هستند که در حال حاضر ناسازگار هستند. لطفا جزئیات را مرور کنید.

چکیده

Network data are observed in various applications where the individual entities of the system interact with or are connected to each other, and often these interactions are defined by their associated strength or importance. Clustering is a common task in network analysis that involves finding groups of nodes displaying similarities in the way they interact with the rest of the network. However, most clustering methods use the strengths of connections between entities in their original form, ignoring the possible differences in the capacities of individual nodes to send or receive edges. This often leads to clustering solutions that are heavily influenced by the nodes’ capacities. One way to overcome this is to analyse the strengths of connections in relative rather than absolute terms, expressing each edge weight as a proportion of the sending (or receiving) capacity of the respective node. This, however, induces additional modelling constraints that most existing clustering methods are not designed to handle. In this work we propose a stochastic block model for composition-weighted networks based on direct modelling of compositional weight vectors using a Dirichlet mixture, with the parameters determined by the cluster labels of the sender and the receiver nodes. Inference is implemented via an extension of the classification expectation-maximisation algorithm that uses a working independence assumption, expressing the complete data likelihood of each node of the network as a function of fixed cluster labels of the remaining nodes. A model selection criterion is derived to aid the choice of the number of clusters. The model is validated using simulation studies, and showcased on network data from the Erasmus exchange program and a bike sharing network for the city of London.

چکیده به فارسی (ترجمه ماشینی)

داده های شبکه در برنامه های مختلف مشاهده می شود که در آن اشخاص جداگانه سیستم با یکدیگر ارتباط برقرار می کنند یا به یکدیگر متصل می شوند ، و اغلب این تعاملات با قدرت یا اهمیت مرتبط با آنها تعریف می شوند.خوشه بندی یک کار مشترک در تجزیه و تحلیل شبکه است که شامل یافتن گروه هایی از گره ها است که شباهت هایی را در نحوه تعامل آنها با بقیه شبکه نشان می دهند.با این حال ، بیشتر روشهای خوشه بندی از نقاط قوت اتصالات بین موجودات به شکل اصلی خود استفاده می کنند ، و تفاوت های احتمالی در ظرفیت های گره های فردی را برای ارسال یا دریافت لبه ها نادیده می گیرند.این اغلب منجر به راه حل های خوشه بندی می شود که به شدت تحت تأثیر ظرفیت های گره ها قرار می گیرند.یکی از راه های غلبه بر این ، تجزیه و تحلیل نقاط قوت اتصالات از نظر نسبی و نه مطلق ، بیان هر وزن لبه به عنوان بخشی از ظرفیت ارسال (یا دریافت) گره مربوطه است.با این حال ، این محدودیت های مدل سازی اضافی را القا می کند که بیشتر روشهای خوشه بندی موجود برای رسیدگی طراحی نشده اند.در این کار ما یک مدل بلوک تصادفی برای شبکه های دارای وزن ترکیب را بر اساس مدل سازی مستقیم بردارهای وزن ترکیبی با استفاده از مخلوط Dirichlet ارائه می دهیم ، با پارامترهای تعیین شده توسط برچسب های خوشه فرستنده و گره های گیرنده.استنتاج از طریق الگوریتم انتظار طبقه بندی طبقه بندی که از یک فرض استقلال کار استفاده می کند ، اجرا می شود و احتمال کامل داده های هر گره شبکه را به عنوان تابعی از برچسب های خوشه ای ثابت از گره های باقی مانده بیان می کند.معیار انتخاب مدل برای کمک به انتخاب تعداد خوشه ها بدست آمده است.این مدل با استفاده از مطالعات شبیه سازی تأیید شده و در مورد داده های شبکه از برنامه تبادل Erasmus و یک شبکه اشتراک دوچرخه برای شهر لندن به نمایش گذاشته شده است.