پارتيشن‌بندي زماني گراف براي خوشه‌بندي در سيستم‌هاي برچسب دار

Temporal Graph Partioning for Clustering in Tagging Systems

در عصر حاضر رشد اطلاعات در دنياي وب 2.0 به حدي بوده است كه به علت حجم وسيع داده ها و اطلاعات و همچنين تغيير برخي مفاهيم در طي گذر زمان، اطلاعات غيرضروري و غير مرتبط بسياري با آنچه كاربران به دنبال آن هستند، به وجود آمده است.در اين مقاله ما براي حل اين مشكل، خوشه بندي زماني برچسب ها در سيستم‌هايي كه از برچسب به‌عنوان يك متاداده استفاده كردهو در طي زمان در حال تغيير مي باشند را پيشنهاد مي دهيم. اين عمل از طريقپارتيشن‌بندي زماني گراف برچسب هاست، به‌طوري‌كه با تغيير دادن وزن هاي مشابهت برچسب ها در طي زمان، خوشه بندي ما هم دچار تغيير شده و خودش را با تغييرات وفق مي دهد. براي نشان دادن كارايي اين روش، ما آن را بر روي مجموعه داده سايت متافيلتر اجرا كرده و با روش هاي مشابه مقايسه كرديم. نتايج نشان‌دهنده اين مطلب است كه روش پيشنهادي ما،F-Measureميانگين خوشه ها را 24% نسبت به بهترين روش مشابه در طول زمان، بهبود بخشيده است و ازنظر مفهومي، هم با مفاهيم گذشته وهم با مطالب روز در ارتباط است.

Today, information growth in the world of Web 2.0, due to the vast amount of data and change of some concepts over time, there is a lot of unnecessary and irrelevant information to what users are looking for. In this paper, we for solve this problem, propose temporal clustering of tags for systems that use tags as a metadata and are changing over time. The way we use for clustering, is temporal graph partitioning tags by changing the tag similarity weights during the time, then clustering will change and adapt itself with the changes. To demonstrate the effectiveness of this approach, we implemented it on a data set of MetaFilter site and compared it with similar methods. The results show that our proposed methods improved F-Measure out 24% compared to best clusters in the same way, over time, has improved and its concept is associated both with the past concepts and the newsletter.