Community detection for NetworkX’s documentation — Community detection for NetworkX 2 documentation
Community detection for NetworkX’s documentation¶ This module implements community detection. It uses the louvain method described in Fast unfolding of communities in large networks, Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Renaud Lefebvre, Journal of Statistical Mechanics: Theory and Experiment 2008(10), P10008 (12pp) It depends on Networkx to handle graph operations : http://net
projects:twitterソーシャルグラフからのコミュニティ抽出 [ryogrid.net]
以下サイトでTwitterのソーシャルグラフが配布されている。 # 103万人分、2.8億エッジという驚愕の規模 http://d.hatena.ne.jp/code46/20110130/p1 今回、このデータを題材としたコミュニティ抽出のプログラムを書いたので、開発過程のいろいろをまとめておく。 一部、Amazon Elastic MapReduceでの分散処理などもやってみたので、MapReduceやCloudに興味を持つ人にも利益があるかもしれない。特に、実アプリ開発を題材とした事例紹介はWeb上でも少ないようなので、そういった位置づけでは価値があるのではないかと思う。 ソーシャルグラフ、コミュニティ抽出(≒クラスタリング?)の概要については以下が分かりやすい。 http://www.slideshare.net/komiyaatsushi/newman-6670300 実は、以前
Newman アルゴリズムによるソーシャルグラフのクラスタリング
昨今よく耳にするキーワード「ソーシャルグラフ」。その可能性・活用方法について様々な企業に注目されています。今回はその「ソーシャルグラフ」を「どうすればクラスタリングできるのか？」という観点で、グラフに対するクラスタリングの基礎を説明いたします。また、具体的なクラスタリング手法として Newman アルゴリズムをご紹介いたします。Read less
インデックス - Docs-Japanese - 10gen Confluence
based on v49 インデックスはクエリーのパフォーマンスを(とても)向上させます。有効なインデックスを定義するためには、アプリケーションが必要とするクエリについてよく知ることが大切です。それさえできていれば、MongoDBでインデックスを作成するのは簡単です。 MongoDBのインデックスは、MySQLのようなRDBMSのインデックスと概念的に似ています。MySQLでインデックスを付けたいような場所に、MongoDBでもインデックスを付けることになるでしょう。 基本 インデックスは、コレクションの中のドキュメントの特定のフィールドの値について集めたデータ構造です。このデータ構造はMongoのクエリオプティマイザによって、コレクション内のドキュメントを、素早く検索したりソートするために使われます。正式な言い方で言うと、インデックスは"B-Tree"で実装されています。 シェル 上で、
バックグラウンドでのインデックスの作成 - Docs-Japanese - 10gen Confluence
スレーブとレプリカのセカンダリーはあるバージョン(最新を含む)ではすべてフォアグラウンドでインデックスのビルドを行ないます。そのため、 background:true がプライマリで実行されても、 slave/secondary では、インデックスがビルドされている最中はクエリを実行できません。 デフォルトでは、 ensureIndex() 操作はブロックを行ない、完了するまで同じデータベース上での操作を停止させます。しかし、 バージョン1.3.2以上では、バックグラウンドでのインデックス作成のオプションがあります。 バックグラウンドでインデックスをビルドするには、 background:true をインデックスオプションに付けてください。 例: > db.things.ensureIndex({x:1}, {background:true}); > db.things.ensureInd
第31回 RubyistのためのMongoDB入門（1） | gihyo.jp
はじめに ここ最近、NoSQLというキーワードが注目を集めています。 リレーショナルデータベースは、一般的にスケールアウト（サーバの台数を増やして性能向上を図る手法）が難しく、特に大規模サービスにおいてパフォーマンス上のボトルネックとなりえます。また、タグやグラフ構造のようなデータは関係モデルに馴染みにくいため、それらを扱う際にはアプリケーションコードもぎこちないものになりがちです。 これらの問題を背景に、何にでもリレーショナルデータベースを使うのではなく、用途に応じてKVSなど他のデータストアを選択する流れが広まりつつあります。このムーブメントがNoSQL（Not Only SQL）と呼ばれているものです。 今回は、NoSQLなデータベースの1つであるMongoDBをご紹介します。 MongoDBとは MongoDBは高いパフォーマンスとスケーラビリティを特徴とするドキュメント指向型デー
【Gavotte RAMDisk】Windows 7 Ultimate 32bit版でSSDより10倍以上高速なRAMディスクを作成・運用 - ლ(ʘ▽ʘ)ლ
【Gavotte RAMDisk】Windows 7 Ultimate 32bit版でSSDより10倍以上高速なRAMディスクを作成・運用 Windows XP/VISTA/7の32bit版は3GB以上のメモリを使えない仕様になっています。 仮に8GBのメモリを積んでいても32bit版のOSだと5GBを無駄にしてしまいます。 そこでこのOSのメモリとして使えない領域をRAMディスク領域として使います。 今回使用するGavotte RAMDisk以外にも IOデータが提供しているRamPhantom等のソフトウェアがありますので、いろいろ試してみるのもいいと思います。 Gavotte RAMDiskはユーザ数が比較的多いため、WEBでの情報収集がしやすいといった利点があります。 ◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇◇ RAMディスクを使用するに当たって注意
先週の自主ゼミで発表したスライドは晒しませんが読んだ論文だけは貼る - 糞ネット弁慶
ゼミで半教師あり学習のことを発表したのでスライドを公開します - yasuhisa's blog この次の回だったので彼からの圧力などもありましたが、正直理解が不十分過ぎるので死ぬ。 何の話か 一年ぐらい前、twitterを題材に色々クラスタリングをやってみようと思い立ったあたりから、コミュニティ検出に京味があったのでその話をした。 基本的にはNewmanの論文(Mark Newman: Publications)を前からちまちま見ていく感じ。 自分の先生は機械学習、とりわけSVMやらNNが好きなのでこういう話には疎い。図書館情報とかに行けば専門の先生がいるっぽい。 モチベーション 人と人、論文と著者、都市と都市などが結ばれたネットワークからコミュニティを抽出したい。コミュニティ検出の指標・らしさは Modurality で判別する。このQが何故指標と成り得るのか、凸関数で単峰性なのかは[
グラフを扱うJavaライブラリ「Jung」の紹介 - Twitterのグラフ構造を視覚化 - public static void main
java-ja 第12回のLTで話そうと思ったのですが、出番がなかったので資料をブログで公開しておきます。 Jungは研究などでグラフ構造が出たときに、理解しやすくするために可視化するのに使っています。他にもいくつかグラフを扱うライブラリは存在していますが、日本語の資料があったのと拡張可能なことが多かったのでJungを結果的に使うようになりました。 以下はそのJungについての簡単な解説です。 Jungとは Jungの正式名称はJava Universal Network/Graph Frameworkで、ネットワーク(グラフ) 構造の分析や視覚化を行うためのJavaのOSSライブラリです。グラフ理論、データマイニング、ソーシャルネットワーク分析のアルゴリズムを数多く実装しています。 安定バージョンは1.7.6で最新は2.0betaで、BSDライセンスで使用できます。 http://jun
Self-organizing map - Wikipedia
A self-organizing map (SOM) or self-organizing feature map (SOFM) is an unsupervised machine learning technique used to produce a low-dimensional (typically two-dimensional) representation of a higher-dimensional data set while preserving the topological structure of the data. For example, a data set with variables measured in observations could be represented as clusters of observations with simi
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Home必发全球顶尖娱乐首页|最佳线路
バッファロー、Windows 7に対応した「BUFFALO RAMDISK ユーティリティー」を公開