Community detection in online social network using graph embedding and hierarchical clustering

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F19%3A10244588" target="_blank" >RIV/61989100:27240/19:10244588 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-01818-4_26" target="_blank" >http://dx.doi.org/10.1007/978-3-030-01818-4_26</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-01818-4_26" target="_blank" >10.1007/978-3-030-01818-4_26</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Community detection in online social network using graph embedding and hierarchical clustering

Popis výsledku v původním jazyce

The community detection plays an important role in social network analysis. It can be used to find users that behave in a similar manner, detect groups of interests, cluster users in e-commerce application such as their taste or shopping habits, etc. In this paper, we proposed an algorithm to detect the community in online social networks. Our algorithm represents the nodes and the relationships in the social networks using a vector, agglomerative clustering (the most famous clustering algorithm) will cluster those vectors to figure out the communities. The experimental results show that our algorithm performs better traditional agglomerative clustering because of the ability to detect the community which has better modularity value. (C) Springer Nature Switzerland AG 2019.

Název v anglickém jazyce

Community detection in online social network using graph embedding and hierarchical clustering

Popis výsledku anglicky

The community detection plays an important role in social network analysis. It can be used to find users that behave in a similar manner, detect groups of interests, cluster users in e-commerce application such as their taste or shopping habits, etc. In this paper, we proposed an algorithm to detect the community in online social networks. Our algorithm represents the nodes and the relationships in the social networks using a vector, agglomerative clustering (the most famous clustering algorithm) will cluster those vectors to figure out the communities. The experimental results show that our algorithm performs better traditional agglomerative clustering because of the ability to detect the community which has better modularity value. (C) Springer Nature Switzerland AG 2019.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 874

ISBN

978-3-030-01817-7

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

10

Strana od-do

263-272

Název nakladatele

Springer

Místo vydání

Basilej

Místo konání akce

Soči

Datum konání akce

17. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—