Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Factors Affecting Satisfaction of NCS Based Educational System Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Reciprocating Link Hierarchical Clustering

verfasst von : Eric Goold, Sean O’Neill, Gongzhu Hu

Erschienen in: Applied Computing and Information Technology

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A new clustering algorithm, called reciprocating link hierarchical clustering, is proposed which considers the neighborhood of the points in the data set in term of their reciprocating affinity, while accommodating the agglomerative hierarchical clustering paradigm. In comparison to six conventional clustering methods, the proposed method has been shown to achieve better results with cases of clusters of different sizes and varying densities. It successfully replicates the results of the mutual k-nearest neighbor method, and extends the capability to agglomerative hierarchical clustering.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel CipherBit192: Encryption Technique for Securing Data
Nächstes Kapitel Development of Infant Care System Application
Literatur
1.
Bateni, M., Behnezhad, S., Derakhshan, M., Hajiaghayi, M., Kiveris, R., Lattanzi, S., Mirrokni, V.S.: Affinity clustering: hierarchical clustering at scale. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems, pp. 6867–6877, Long Beach, CA, USA (2017)
2.
Berenhaut, K.S., Kotsonis, R.C., Jiang, H.: A new look at clustering coefficients with generalization to weighted and multi-faction networks. Soc. Netw. 52, 201–212 (2018)CrossRef
3.
Bodenhofer, U., Kothmeier, A., Hochreiter, S.: ApCluster: an R package for affinity propagation clustering. Bioinformatics 27(17), 2463–2464 (2011)CrossRef
4.
Brito, M., Chávez, E., Quiroz, A., Yukich, J.: Connectivity of the mutual k-nearest-neighbor graph in clustering and outlier detection. Stat. Probab. Lett. 35(1), 33–42 (1997)MathSciNetCrossRef
5.
Day, W.H.E., Edelsbrunner, H.: Efficient algorithms for agglomerative hierarchical clustering methods. J. Classif. 1, 7–24 (1984)CrossRef
6.
Engel, O.: Clusters, recipients and reciprocity: extracting more value from email communication networks. Procedia Soc. Behav. Sci. 10, 172–182 (2011)CrossRef
7.
Ester, M., Kriegel, H.P., Sander, J., Xu, X.: A density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining, pp. 226–231. AAAI Press, Menlo Park (1996)
8.
Forgey, E.: Cluster analysis of multivariate data: efficiency vs. interpretability of classification. Biometrics 21, 768 (1965)
9.
10.
Gowda, K.C., Krishna, G.: Agglomerative clustering using the concept of mutual nearest neighbourhood. Pattern Recogn. 10(2), 105–112 (1978)CrossRef
11.
Hartigan, J.A., Wong, M.A.: Algorithm as 136: a k-means clustering algorithm. J. R. Stat. Soc. Ser. C 28(1), 100–108 (1979)MATH
12.
Hu, Z., Bhatnagar, R.: Clustering algorithm based on mutual k-nearest neighbor relationships. Stat. Anal. Data Mining 5(2), 100–113 (2012)MathSciNetCrossRef
13.
Hubert, L.: Approximate evaluation techniques for the single-link and complete-link hierarchical clustering procedures. J. Am. Stat. Assoc. 69(347), 698–704 (1972)MathSciNetCrossRef
14.
Jarvis, R., Patrick, E.: Clustering using a similarity measure based on shared near neighbors. IEEE Trans. Comput. C-22(11), 1025–1024 (1973)
15.
16.
Lance, G.N., Williams, W.T.: A general theory of classificatory sorting strategies: 1. hierarchical systems. Comput. J. 9(4), 373–380 (1967)CrossRef
17.
Li, P., Ji, H., Wang, B., Huang, Z., Li, H.: Adjustable preference affinity propagation clustering. Pattern Recogn. Lett. 85, 72–78 (2017)CrossRef
18.
Li, Y., Shang, Y., Yang, Y.: Clustering coefficients of large networks. Inf. Sci. 382–383, 350–358 (2017)MathSciNetCrossRef
19.
MacQueen, J.: Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium Mathematics, Statistics and Probability, vol. 1, pp. 281–296. University of California Press, Berkeley (1967)
20.
Murtagh, F.: A survey of recent advances in hierarchical clustering algorithms. Comput. J. 26(4), 354–359 (1983)CrossRef
21.
Rong, Z., Yang, H.X., Wang, W.X.: Feedback reciprocity mechanism promotes the cooperation of highly clustered scale-free networks. Phys. Rev. E 82, 047,101 (2010)
22.
Saramäki, J., Kivelä, M., Onnela, J.P., Kaski, K., Kertész, J.: Generalizations of the clustering coefficient to weighted complex networks. Phys. Rev. E 75, 027,105 (2007)
23.
Schubert, E., Sander, J., Ester, M., Kriegel, H., Xu, X.: DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Trans. Database Syst. 42(3), 19:1–19:21 (2017)
24.
Sneath, P.H.A., Sokal, R.R.: Numerical Taxonomy. The Principles and Practice of Numerical Classification. W. H. Freeman, San Francisco (1973)MATH
25.
Verhulst, P.F.: Notice sur la loi que la population poursuit dans son accroissement. Correspondance mathématique et physique 10, 113–121 (1838)
26.
Watts, D.J., Strogatz, S.H.: Collective dynamics of ‘small-world’ networks. Nature 393, 440–442 (1998)CrossRef
Metadaten
Titel
Reciprocating Link Hierarchical Clustering
verfasst von
Eric Goold
Sean O’Neill
Gongzhu Hu
Copyright-Jahr
2019
Buch
Applied Computing and Information Technology

Print ISBN: 978-3-319-98369-1

Electronic ISBN: 978-3-319-98370-7

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-98370-7_12