SELP: Semi-supervised evidential label propagation algorithm for graph data clustering
Résumé
With the increasing size of social networks in the real world, community detection approaches should be fast and accurate. The label propagation algorithm is known to be one of the near-linear solutions which is easy to implement. However, it is not stable and it cannot take advantage of the prior information about the network structure which is very common in real applications. In this paper, a new Semi-supervised clustering approach based on an Evidential Label Propagation strategy (SELP) is proposed to incorporate limited domain knowledge into the community detection model. The main advantage of SELP is that it can effectively use limited supervised information to guide the detection process. The prior information about the labels of nodes in the graph, including the labeled nodes and the unlabeled ones, is initially expressed in the form of mass functions. Then the evidential label propagation rule is designed to propagate the labels from the labeled nodes to the unlabeled ones. The communities of each node can be identified after the propagation process becomes stable. The outliers can be identified to be in a special class. Experimental results demonstrate the effectiveness of SELP on both graphs and classical data sets.
Fichier principal
selp_ijar_paper.pdf (611.5 Ko)
Télécharger le fichier
LFR_n=1000_err_mu=05.pdf (3.18 Ko)
Télécharger le fichier
LFR_n=1000_err_mu=06.pdf (3.19 Ko)
Télécharger le fichier
LFR_n=1000_err_nlabelX=3.pdf (3.08 Ko)
Télécharger le fichier
LFR_n=1000_nmi_mu=05.pdf (3.81 Ko)
Télécharger le fichier
LFR_n=1000_nmi_mu=06.pdf (3.77 Ko)
Télécharger le fichier
LFR_n=1000_nmi_nlabelX=3.pdf (3.59 Ko)
Télécharger le fichier
LFR_n=5000_err_mu=06.pdf (3.02 Ko)
Télécharger le fichier
LFR_n=5000_err_nlabelX=3.pdf (2.93 Ko)
Télécharger le fichier
LFR_n=5000_nmi_mu=06.pdf (3.52 Ko)
Télécharger le fichier
LFR_n=5000_nmi_nlabelX=3.pdf (3.37 Ko)
Télécharger le fichier
football_nmi.pdf (8.88 Ko)
Télécharger le fichier
karate_it=0.pdf (19.84 Ko)
Télécharger le fichier
karate_it=1.pdf (19.85 Ko)
Télécharger le fichier
karate_it=2.pdf (19.85 Ko)
Télécharger le fichier
karate_it=3.pdf (19.85 Ko)
Télécharger le fichier
karate_it=4.pdf (20.1 Ko)
Télécharger le fichier
karate_it=5.pdf (20.14 Ko)
Télécharger le fichier
karate_ori.pdf (18.81 Ko)
Télécharger le fichier
three_ring_graph.pdf (37.54 Ko)
Télécharger le fichier
three_ring_it=15.pdf (18.15 Ko)
Télécharger le fichier
three_ring_it=3.pdf (23.35 Ko)
Télécharger le fichier
three_ring_it=30.pdf (15.52 Ko)
Télécharger le fichier
three_ring_it=47.pdf (16.58 Ko)
Télécharger le fichier
three_ring_ori.pdf (16.54 Ko)
Télécharger le fichier
two_moon_evclust.pdf (12.24 Ko)
Télécharger le fichier
two_moon_graph.pdf (27.21 Ko)
Télécharger le fichier
two_moon_it=11.pdf (14.94 Ko)
Télécharger le fichier
two_moon_it=27.pdf (13.68 Ko)
Télécharger le fichier
two_moon_it=3.pdf (15.74 Ko)
Télécharger le fichier
two_moon_it=30.pdf (13.76 Ko)
Télécharger le fichier
two_moon_ori.pdf (13.35 Ko)
Télécharger le fichier
youtube_err.pdf (2.46 Ko)
Télécharger le fichier
youtube_nmi.pdf (3.04 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|