Node Classification in Graph Data using Augmented Random Walk
Publish place: First International Conference on Web Research
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: English
View: 1,150
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IRANWEB01_040
تاریخ نمایه سازی: 29 شهریور 1394
Abstract:
Node classification in graph data plays an importantrole in web mining applications. We classify the existing nodeclassifiers into Inductive and Transductive approaches. Amongthe Transductive methods, the Majority Rule method (MRM) hasa prominent role. This method considers only the class labels ofthe neighboring nodes, neglecting the informative connectivityinformation in the graph data. In this paper, we propose anAugmented Random Walk (ARW) based approach to resolvemain limitations of MRM. In our proposed method, first, weaugment the initial graph by adding class labels as new nodes tothe graph and then we connect each classified node to itscorresponding class label nodes. Second, we apply a RandomWalk algorithm to find the similarity score of each un-classifiednode to different class labels. Third, we predict class labels withthe highest scores for the un-classified node. Empirical resultsshow that our proposed method clearly outperforms the MajorityRule method in six graph datasets with high homophily.
Keywords:
Authors
Hossein Rahmani
Department of Knowledge Engineering (DKE), Maastricht University, The Netherlands
Gerhard Weiss
Department of Knowledge Engineering (DKE), Maastricht University, The Netherlands
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :