عنوان فارسی مقاله:الگوریتم مبتنی بر کامینز (K-means) برای مدل سازی بلوکی شبکه‌های به هم پیوسته

چکیده

این مقاله، الگوریتم مبتنی بر کامینز (K-means) را برای مدل سازی بلوکی شبکه‌هایی ارائه می‌کند که در آن شبکه‌های مرتبط و به هم پیوسته به صورت مجموعه‌ای از شبکه‌های تک مدی و دو مدی تعریف می‌شوند که در آن‌ها واحدهایی از شبکه‌های مختلف از طریق شبکه‌های دو حالتی یا دو مدی به هم متصل می‌شوند. دلیل این است که الگوریتم سریع‌تری برای مدل سازی بلوکی شبکه‌های به هم پیوسته برای افزایش مقیاس شبکه لازم است. نمونه‌هایی از شبکه‌های مرتبط شامل شبکه‌های چند سطحی، شبکه‌های پویا، شبکه‌های چند سطحی پویا و شبکه‌های متا هستند. بلاک مدل سازی عمومی برای شبکه‌های پیوندی / چند سطحی توسعه یافته است، اما رویکرد مدل سازی بلوکی کلی برای تحلیل شبکه‌های بزرگتر خیلی کند است. بنابراین، انعطاف پذیری مدل سازی بلوکی کلی برای سرعت رویکردهای مبتنی بر کامینز می‌شود، بنابراین امکان تجزیه و تحلیل شبکه‌های بزرگتر را فراهم می‌آورد. الگوریتم ارائه شده بر اساس الگوریتم دو حالت k برای شبکه‌ها یا ماتریس‌های دو حالته استوار است. به عنوان یک محصول جانبی، الگوریتمی برای مسدود کردن یک حالته شبکه‌های یک حالت ارائه شده است. استفاده از این الگوریتم در یک شبکه چندسطحی پویا با بیش از ۴۰۰ واحد ارائه شده است. یک مطالعه وضعیتی نیز انجام شده است که نشان می‌دهد الگوریتم‌های مبتنی بر کامینز نسبت به روش‌های مبتنی بر الگوریتم جابجایی برای شبکه‌های بزرگتر (به عنوان مثال بزرگتر از ۸۰۰ واحد) برتری دارند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

TITLE: k-means-based algorithm for blockmodeling linked networks

Abstract

The paper presents a k-means-based algorithm for blockmodeling linked networks where linked networks are defined as a collection of one-mode and two-mode networks in which units from different one-mode networks are connected through two-mode networks. The reason for this is that a faster algorithm is needed for blockmodeling linked networks that can better scale to larger networks. Examples of linked networks include multilevel networks, dynamic networks, dynamic multilevel networks, and meta-networks. Generalized blockmodeling has been developed for linked/multilevel networks, yet the generalized blockmodeling approach is too slow for analyzing larger networks. Therefore, the flexibility of generalized blockmodeling is sacrificed for the speed of k-means-based approaches, thus allowing the analysis of larger networks. The presented algorithm is based on the two-mode k-means (or KL-means) algorithm for two-mode networks or matrices. As a side product, an algorithm for one-mode blockmodeling of one-mode networks is presented. The algorithm’s use on a dynamic multilevel network with more than 400 units is presented. A situation study is also conducted which shows that k-means based algorithms are superior to relocation algorithm-based methods for larger networks (e.g. larger than 800 units) and never much worse.