《On clustering using random walks》阅读笔记
1. 问题建模
1.1 问题描述
let G ( V , E , ω ) G(V,E,\omega) G(V,E,ω) be a weighted graph, V V V is the set of nodes, E E E is the edge between nodes in V V V, ω \omega ω is the function ω : E → R n \omega:E \to \mathbb{R}^n ω:E→Rn, that measures the simularity between pairs of items(a higher value means more similar).
p i j = ω ( i , j ) d i p_{ij} = \frac{\omega(i,j)}{d_i} pij=diω(i,j)
d i = ∑ k = 1 n ω ( i , k ) d_i = \sum_{k=1}^n\omega(i,k) di=k=1∑nω(i,k)
M G ∈ R n × n M^G \in \mathbb{R}^{n \times n} MG∈Rn×n is the associated transition matrix,
M i j G = { p i j ⟨ i , j ⟩ ∈ E 0 otherwise M^G_{ij} = \begin{cases} p_{ij} & \langle i,j \rangle \in E \\ 0 & \textrm{otherwise} \end{cases} MijG={
pij0⟨i,j⟩∈Eotherwise
Question:
- ω \omega ω表示节点之间的相似性,实际上我们只有无向图,表示节点之间是否有连接,怎么通过已有的信息构建 ω \omega ω
answer: 这里的相似度可以认为是节点之间边的权值,所以 M i j G M^G_{ij} MijG可以认为是认为是以邻接矩阵操作后的数据。
这里的内容比较坑,我在论文中一直找不到关于 P visit k ( i ) P^{k}_{\textrm{visit}}(i) Pvisit

该文介绍了使用随机游走对图进行聚类的方法,通过节点之间的相似度(权重)构建邻接矩阵,并利用矩阵的幂次运算来模拟随机游走的过程。提出了两种边缘分离策略——邻居相似性(NS)和环形逃逸(CE),用于评估节点间的亲密程度。文章还给出了马尔可夫聚类算法(MCL)的简化实现,展示了如何通过迭代和膨胀操作来得到聚类结果。
最低0.47元/天 解锁文章
676

被折叠的 条评论
为什么被折叠?



