Mega

Komplexe Beziehungen zwischen Entitäten können sehr effektiv mithilfe von Hypergrafen modelliert werden. Hypergrafen modellieren reale Daten, indem sie eine Hyperkante ermöglichen, die zwei oder mehr Entitäten umfasst. Die Clusterbildung von Hypergrafen ermöglicht es uns, ähnliche Entitäten zusammenzufassen. Während die meisten bestehenden Algorithmen ausschließlich die Verbindungsstruktur eines Hypergrafen berücksichtigen, um das Clusterproblem zu lösen, können wir die Clusterleistung verbessern, indem wir verschiedene Merkmale, die mit den Entitäten verbunden sind, sowie Hilfsbeziehungen zwischen den Entitäten betrachten. Außerdem können wir die Clusterleistung weiter verbessern, wenn einige der Labels bekannt sind und wir sie in ein Clustering-Modell integrieren. In diesem Papier schlagen wir ein semi-supervised Clustering-Framework für Hypergrafen vor, das in der Lage ist, nicht nur mehrere Beziehungen zwischen den Entitäten, sondern auch mehrere Attribute und Inhalte der Entitäten aus verschiedenen Quellen einfach zu integrieren. Darüber hinaus zeigen wir durch die enge Beziehung zwischen dem normalen Schnitt eines Hypergrafen und dem gewichteten Kernel K-Means, dass wir auch eine effiziente mehrstufige Hypergraf-Clusterung entwickeln, die eine gute Initialisierung mit unserem semi-supervised Multi-View-Clustering-Algorithmus bietet. Experimentelle Ergebnisse zeigen, dass unser Algorithmus effektiv darin ist, die tatsächlichen Cluster zu erkennen und signifikant besser abschneidet als andere hochmoderne Methoden.