Efficient clustering of web-derived data sets

• Tipo: Artigo em Livro de Atas de Conferência Internacional
• Data: 2009

Autores

Luís Sarmento (Autor) Outra; Alexander Kehlenbeck (Autor) Outra; Eugénio Oliveira (Autor) FEUP; Lyle Ungar (Autor) Outra

Ata de Conferência Internacional

Título: Machine Learning and Data Mining in Pattern Recognition

Páginas: 398-412

6th International Conference on Machine Learning and Data Mining in Pattern Recognition (MLDM 2009)

Leipzig, Germany, 23-25 July, 2009

Indexação

ISI Web of Knowledge - 1 Citação

Scopus - 3 Citações

INSPEC

Classificação Científica

FOS: Ciências exactas e naturais > Ciências da computação e da informação

CORDIS: Ciências Físicas > Ciência de computadores > Informática

Outras Informações

ID Authenticus: P-003-R7P

DOI: 10.1007/978-3-642-03070-3_30

Abstract (EN): Many data sets derived from the web are large, high-dimensional, sparse and have a Zipfian distribution of both classes and features. On such data sets, current scalable clustering methods such as streaming clustering suffer from fragmentation. where large classes are incorrectly divided into many smaller clusters. and computational efficiency drops significantly. We present a new clustering algorithm based on connected components that addresses these issues and so works well oil web-type data.

Idioma: Inglês

Tipo (Avaliação Docente): Científica

Nº de páginas: 15