Определение классов состояний динамической социальной сети по трафикам ее мониторинга
Рассматривается задача определения классов состояний динамической социальной сети. Предложен
 автоматический подход, основанный на использовании модели динамического графа и метода
 иерархической агломеративной кластеризации его состояний. Ряд экспериментов на наборе данных
...
Saved in:
| Published in: | Искусственный интеллект |
|---|---|
| Date: | 2013 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/85084 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Определение классов состояний динамической социальной сети по трафикам ее мониторинга / О.О. Савельев, А.И. Шевченко // Искусственный интеллект. — 2013. — № 4. — С. 476–487. — Бібліогр.: 12 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862568613992464384 |
|---|---|
| author | Савельев, О.О. Шевченко, А.И. |
| author_facet | Савельев, О.О. Шевченко, А.И. |
| citation_txt | Определение классов состояний динамической социальной сети по трафикам ее мониторинга / О.О. Савельев, А.И. Шевченко // Искусственный интеллект. — 2013. — № 4. — С. 476–487. — Бібліогр.: 12 назв. — рос. |
| collection | DSpace DC |
| container_title | Искусственный интеллект |
| description | Рассматривается задача определения классов состояний динамической социальной сети. Предложен
автоматический подход, основанный на использовании модели динамического графа и метода
иерархической агломеративной кластеризации его состояний. Ряд экспериментов на наборе данных
MIT Reality Mining показал корректность подхода и достаточное качество решения задачи.
Розглядається задача визначення класів станів динамічної соціальної мережі. Запропонований
автоматичний підхід, заснований на використанні моделі динамічного графа і методу ієрархічної
агломеративної кластеризації його станів. Низка експериментів на наборі даних MIT Reality Mining
показала коректність підходу і достатню якість розв’язку задачі.
The article examines the task of the mining the classes of states from monitoring traffic of dynamic social
network. We propose the automatic approach based on usage of dynamic graph model and hierarchical
agglomerative clustering of its states. A series of experiments on an MIT Reality Mining dataset showed the
correctness of the approach and sufficient quality of problem solution.
|
| first_indexed | 2025-11-26T01:31:23Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-85084 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-11-26T01:31:23Z |
| publishDate | 2013 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Савельев, О.О. Шевченко, А.И. 2015-07-19T06:26:46Z 2015-07-19T06:26:46Z 2013 Определение классов состояний динамической социальной сети по трафикам ее мониторинга / О.О. Савельев, А.И. Шевченко // Искусственный интеллект. — 2013. — № 4. — С. 476–487. — Бібліогр.: 12 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85084 316.77:[004.82+004.89] Рассматривается задача определения классов состояний динамической социальной сети. Предложен
 автоматический подход, основанный на использовании модели динамического графа и метода
 иерархической агломеративной кластеризации его состояний. Ряд экспериментов на наборе данных
 MIT Reality Mining показал корректность подхода и достаточное качество решения задачи. Розглядається задача визначення класів станів динамічної соціальної мережі. Запропонований
 автоматичний підхід, заснований на використанні моделі динамічного графа і методу ієрархічної
 агломеративної кластеризації його станів. Низка експериментів на наборі даних MIT Reality Mining
 показала коректність підходу і достатню якість розв’язку задачі. The article examines the task of the mining the classes of states from monitoring traffic of dynamic social
 network. We propose the automatic approach based on usage of dynamic graph model and hierarchical
 agglomerative clustering of its states. A series of experiments on an MIT Reality Mining dataset showed the
 correctness of the approach and sufficient quality of problem solution. ru Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Обучающие и экспертные системы Определение классов состояний динамической социальной сети по трафикам ее мониторинга Визначення класів станів динамічної соціальної мережі по трафіках її моніторингу The mining the classes of states from monitoring traffic of dynamic social network Article published earlier |
| spellingShingle | Определение классов состояний динамической социальной сети по трафикам ее мониторинга Савельев, О.О. Шевченко, А.И. Обучающие и экспертные системы |
| title | Определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| title_alt | Визначення класів станів динамічної соціальної мережі по трафіках її моніторингу The mining the classes of states from monitoring traffic of dynamic social network |
| title_full | Определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| title_fullStr | Определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| title_full_unstemmed | Определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| title_short | Определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| title_sort | определение классов состояний динамической социальной сети по трафикам ее мониторинга |
| topic | Обучающие и экспертные системы |
| topic_facet | Обучающие и экспертные системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/85084 |
| work_keys_str_mv | AT savelʹevoo opredelenieklassovsostoâniidinamičeskoisocialʹnoisetipotrafikameemonitoringa AT ševčenkoai opredelenieklassovsostoâniidinamičeskoisocialʹnoisetipotrafikameemonitoringa AT savelʹevoo viznačennâklasívstanívdinamíčnoísocíalʹnoímerežípotrafíkahíímonítoringu AT ševčenkoai viznačennâklasívstanívdinamíčnoísocíalʹnoímerežípotrafíkahíímonítoringu AT savelʹevoo theminingtheclassesofstatesfrommonitoringtrafficofdynamicsocialnetwork AT ševčenkoai theminingtheclassesofstatesfrommonitoringtrafficofdynamicsocialnetwork |