δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
HSC : a novel method for clustering hierarchies of networked data
(EL)
Ανάπτυξη νέου μοντέλου ιεραρχικής συσταδοποίησης
(EL)
Hierarchical clustering is one of the most powerful solutions to the problem of clustering, on the grounds that it performs a multi scale organization of the data. In recent years, research on hierarchical clustering methods has attracted considerable interest due to the demanding modern application domains.
We present a novel divisive hierarchical clustering framework called
Hierarchical Stochastic Clustering (HSC), that acts in two stages. In the first stage, it finds a primary hierarchy of clustering partitions in a dataset. In the second stage, feeds a clustering algorithm with each one of the clusters of the very detailed partition, in order to settle the final result. The output is a hierarchy of clusters. Our method is based on the previous research of Meyer and Weissel \textit{Stochastic Data Clustering} and the theory of Simon and Ando on \textit{Variable Aggregation}.
Our experiments show that our framework builds a meaningful hierarchy of clusters and benefits consistently the clustering algorithm that acts in the second stage, not only computationally but also in terms of cluster quality. This result suggest that HSC framework is ideal for obtaining hierarchical solutions of large volumes of data.
(EL)
Η ιεραρχική συσταδοποίηση είναι μια από τις πιο αποτελεσματικες λύσεις στο πρόβλημα της συσταδοποίησης δίοτι παρέχει οργάνωση πολλαπλών επιπέδων στα δεδομένα. Τα τελευταία χρόνια, η έρευνα που γίνεται σε αλγορίθμους ιεραρχικής συσταδοποίησης, προκαλεί μεγάλο ενδιαφέρον, λόγω των απαιτήσεων των σύγχρονων εφαρμογών.
Προτείνουμε ένα νέο μοντέλο ιεραρχικής συσταδοποίησης, που ονομάζεται Hierarchical Stochastic Clustering (HSC), το οποίο δρά σε δύο στάδια. Στο πρώτο στάδιο, βρίσκει μια πρωταρχική ιεαραχία από διαμερίσεις σε ένα σύνολο δεδομένων. Στο δεύτερο στάδιο, τροφοδοτεί εναν αλγόριθμο συσταδοποίησης με καθέμια από τις συστάδες που ανήκουν στην πιό λεπτομερή διαμέριση, προκειμένου να εξαχθεί το τελικό αποτέλεσμα. Η μεθοδολογία που ακολουθήσαμε βασίζεται στην έρευνα \textit{Stochastic Data Clustering} των Meyer και Weissel αλλά και στην θεωρία \textit{Variable Aggregation} των Simon και Ando.
Η πειραματική αξιολόγηση δείχνει πως το μοντέλο μας χτίζει μια ποιοτική ιεραρχία και βελτιώνει σταθερά τον αλγόριθμο που δρα στο δεύτερο στάδιο, όχι μόνο υπολογιστικά αλλά και ποιοτικά. Αυτό το αποτέλεσμα υπαγορεύει ότι η μέθοδος HSC είναι μια ιδανική λύση σε προβλήματα συσταδοποίησης μεγάλου όγκου δεδομένων.
(EL)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
University of Patras
