Algorithms and Models for Network Data and Link Analysis

Abstract

Network data are produced automatically by everyday interactions-social networks, power grids, and citations between documents are a few examples. Such data capture social and economic behavior in a form that can be analyzed using powerful computational tools. This book is a guide to both basic and advanced techniques and algorithms for extracting useful information from network data. The content is organized around "tasks," grouping the algorithms needed to gather specific types of information and thus answer specific types of questions. Examples include similarity between nodes in a network, prestige or centrality of individual nodes, and dense regions or communities in a network. Algorithms are derived in detail and summarized in pseudo-code. The book is intended primarily for computer scientists, engineers, statisticians, and physicists, but is accessible to network scientists based in the social sciences. Matlab/Octave code illustrating some of the algorithms will

Modularity-Driven Kernel k-means for Community Detection

“…Given a meaningful, symmetric distance matrix Δ, containing the distances Δ ij , the goal is to partition the nodes by minimizing the total within-cluster sum of squared distances. For details, see [20,46,47]. The change between the standard kernel k-means and the kernel k-means coupled with modularity criterion is found in the two-step approach of the latter, which is more easily explained using the flowchart in Fig.…”

Development of an approach to analysis and optimization of data flow diagrams

“…Поскольку нотация DFD предполагает описа-ние моделируемой системы в виде сети связанных между собой работ [1,15,16], для оценки отношений (связей) между узлами (внешними сущностями, нако-пителями данных и работами) может быть использо-ван метод анализа данных -анализ связей [17,18].…”

“…Анализ связей нашел свое применение в мар-кетинговых и медицинских исследованиях, при оп-тимизации алгоритмов поисковых систем, а также в сферах борьбы с преступностью и информационной безопасности [18,19].…”

“…Плотность сети характеризует количество связей в расчете на один узел сети, тем самым показывает, в какой степени узлы взаимодействуют между собой [18,20].…”

“…Данная мера демонстрирует «активность» узла в сети и измеряется количеством его связей с другими узлами [18]. Степень централь-ности позволяет определить, имеются ли в сети узлы с высоким значением центральности по сравнению с остальными узлами сети, центральность которых значительно ниже [20].…”