ترجمه فارسی مقاله یک چارچوب چندمنظوره برای خوشه‌بندی شبکه نسبت‌داده‌شده از طریق تقویت K-نزدیک‌ترین همسایه

چکیده

Attributed networks containing entity-specific information in node attributes are ubiquitous in modeling social networks, e-commerce, bioinformatics, etc. Their inherent network topology ranges from simple graphs to hypergraphs with high-order interactions and multiplex graphs with separate layers. An important graph mining task is node clustering, aiming to partition the nodes of an attributed network into k disjoint clusters such that intra-cluster nodes are closely connected and share similar attributes, while inter-cluster nodes are far apart and dissimilar. It is highly challenging to capture multi-hop connections via nodes or attributes for effective clustering on multiple types of attributed networks. In this paper, we first present AHCKA as an efficient approach to attributed hypergraph clustering (AHC). AHCKA includes a carefully-crafted K-nearest neighbor augmentation strategy for the optimized exploitation of attribute information on hypergraphs, a joint hypergraph random walk model to devise an effective AHC objective, and an efficient solver with speedup techniques for the objective optimization. The proposed techniques are extensible to various types of attributed networks, and thus, we develop ANCKA as a versatile attributed network clustering framework, capable of attributed graph clustering (AGC), attributed multiplex graph clustering (AMGC), and AHC. Moreover, we devise ANCKA with algorithmic designs tailored for GPU acceleration to boost efficiency. We have conducted extensive experiments to compare our methods with 19 competitors on 8 attributed hypergraphs, 16 competitors on 6 attributed graphs, and 16 competitors on 3 attributed multiplex graphs, all demonstrating the superb clustering quality and efficiency of our methods.

چکیده به فارسی (ترجمه ماشینی)

شبکه های نسبت داده شده حاوی اطلاعات خاص موجودیت در ویژگی های گره در مدل سازی شبکه های اجتماعی ، تجارت الکترونیکی ، بیوانفورماتیک و غیره همه گیر هستند.یک کار مهم برای استخراج نمودار ، خوشه بندی گره است ، با هدف تقسیم گره های یک شبکه انتساب به خوشه های k جدا شده به گونه ای که گره های درون خوشه ای از نزدیک به هم متصل هستند و ویژگی های مشابهی را به اشتراک می گذارند ، در حالی که گره های بین خوشه ای بسیار از هم هستند و متفاوت هستند.ضبط اتصالات چند هاپ از طریق گره ها یا ویژگی هایی برای خوشه بندی مؤثر در انواع مختلف شبکه های انتساب بسیار چالش برانگیز است.در این مقاله ، ما ابتدا AHCKA را به عنوان یک رویکرد کارآمد برای خوشه بندی هایپرگراف نسبت داده شده (AHC) ارائه می دهیم.AHCKA شامل یک استراتژی تقویت همسایه با دقت K-Nearest برای بهره برداری بهینه شده از اطلاعات مربوط به ویژگی ها بر روی هایپرافی ها ، یک مدل پیاده روی تصادفی مشترک مشترک برای ابداع یک هدف مؤثر AHC و یک حل کننده کارآمد با تکنیک های سرعت برای بهینه سازی عینی است.تکنیک های پیشنهادی برای انواع مختلفی از شبکه های انتساب قابل گسترش هستند ، و بنابراین ، ما ANCKA را به عنوان یک چارچوب خوشه بندی شبکه ای همه کاره ، قادر به خوشه بندی نمودار نسبت به نسبت داده شده (AGC) ، خوشه بندی نمودار چند برابر (AMGC) و AHC توسعه می دهیم.علاوه بر این ، ما ANCKA را با طرح های الگوریتمی متناسب با شتاب GPU برای تقویت کارآیی ابداع می کنیم.ما آزمایش های گسترده ای را برای مقایسه روشهای خود با 19 رقبا در 8 hypergraphs نسبت داده شده ، 16 رقیب در 6 نمودار نسبت داده شده و 16 رقیب در 3 نمودار چند برابر نسبت داده شده انجام داده ایم ، که همه نشان دهنده کیفیت و کارآیی خوشه بندی عالی روشهای ما هستند.