属性多关系图的谱聚类

Nov, 2023

Spectral Clustering of Attributed Multi-relational Graphs

Ylli Sadikaj, Yllka Velaj, Sahar Behzadi, Claudia Plant

TL;DR提出了一种针对属性和多关系网络的联合降维技术 SpectralMix，该方法通过综合利用属性、关系类型和图结构的信息，实现对聚类结果的解释，并在实际数据集上展现了其优越性。

Abstract

graph clustering aims at discovering a natural grouping of the nodes such that similar nodes are assigned to a common cluster. Many different algorithms have been proposed in the literature: for simple graphs, for graphs with attributes associated to nodes, and for graphs where edges r

graph clustering dimensionality reduction multi-relational graphs categorical node attributes spectralmix

发现论文，激发创造

通过额外图节点对分类和混合类型数据进行谱聚类

通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。

Mar, 2024

基于多层图谱的聚类：谱学视角

本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

基于图滤波的可扩展多视图聚类

本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

多视角谱聚类的多图融合

本文提出了一种新的多视图谱聚类模型，该模型可以同时进行图融合和谱聚类，以挖掘多视图数据中的异质信息和显式聚类结构，进而打破现有算法在多视图数据中的局限性。

Sep, 2019

通过节点分组的图摘要：一种谱算法

本文提出了一种叫作 SpecSumm 的算法，它利用了整数最大化和谱图理论的思想，通过节点聚合来实现图形概括，并通过贪婪启发式和 k-means 算法来进一步改进概括质量。实验证明，这个算法可以比现有算法更有效地处理数百万节点的大规模图形。

Nov, 2022

改进的谱聚类算法分析

本文探讨了基于谱算法的图分割技术，阐述了相关算法在数据分析中的应用，通过对图的一定假设条件，通过优化谱嵌入图算法的表现提供更好性能保证。

Dec, 2019

属性图的聚类：模型、度量和方法

该文章是关于图聚类中的属性图的现状调查，总结了最新的研究成果和主要的聚类算法，并且介绍了分析聚类结果的评估方法和当前存在的开放问题。

Jan, 2015

高效聚类大规模带属性图

提出了一种快速可扩展的算法 SToC (Semantic-Topological Clustering)，用于将大规模带属性图分割为同质化的簇，并利用底部 - k 草图、传统图论概念和新的异构距离测量组合方案，快速计算高质量的划分。

Mar, 2017

SpectralNet：使用深度神经网络进行谱聚类

本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

Jan, 2018

属性图中的图表示学习：基于语义随机游走的方法

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023