FIMSIM: Discovering Communities By Frequent Item-Set Mining and Similarity Search

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F21%3A00119128" target="_blank" >RIV/00216224:14330/21:00119128 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-89657-7_28" target="_blank" >http://dx.doi.org/10.1007/978-3-030-89657-7_28</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-89657-7_28" target="_blank" >10.1007/978-3-030-89657-7_28</a>

Jazyk výsledku

angličtina

Název v původním jazyce

FIMSIM: Discovering Communities By Frequent Item-Set Mining and Similarity Search

Popis výsledku v původním jazyce

With the growth of structured graph data, the analysis of networks is an important topic. Community mining is one of the main analytical tasks of network analysis. Communities are dense clusters of nodes, possibly containing additional information about a network. In this paper, we present a community-detection approach, called FIMSIM, which is based on principles of frequent item-set mining and similarity search. The frequent item-set mining is used to extract cores of the communities, and a proposed similarity function is applied to discover suitable surroundings of the cores. The proposed approach outperforms the state-of-the-art DB-Link Clustering algorithm while enabling the easier selection of parameters. In addition, possible modifications are proposed to control the resulting communities better.

Název v anglickém jazyce

FIMSIM: Discovering Communities By Frequent Item-Set Mining and Similarity Search

Popis výsledku anglicky

With the growth of structured graph data, the analysis of networks is an important topic. Community mining is one of the main analytical tasks of network analysis. Communities are dense clusters of nodes, possibly containing additional information about a network. In this paper, we present a community-detection approach, called FIMSIM, which is based on principles of frequent item-set mining and similarity search. The frequent item-set mining is used to extract cores of the communities, and a proposed similarity function is applied to discover suitable surroundings of the cores. The proposed approach outperforms the state-of-the-art DB-Link Clustering algorithm while enabling the easier selection of parameters. In addition, possible modifications are proposed to control the resulting communities better.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

<a href="/cs/project/GA19-02033S" target="_blank" >GA19-02033S: Vyhledávání, analytika a anotace datových toků lidských pohybů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

14th International Conference on Similarity Search and Applications (SISAP)

ISBN

9783030896560

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

372-383

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Dortmund, Germany

Datum konání akce

29. 9. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000722252200028