RでERGMを実装したかった（が、失敗した） - SNAGeek
このエントリは、Sansan Advent Calendar 2019 21日目の記事です。 adventar.org 基本的にタイトルの通りですが、この記事では統計的ネットワーク分析のデファクトスタンダードとなっているERGMをRで実装していきます。 {igraph}以外のパッケージは使わずにできるだけスクラッチで開発します。 前もって断っておきますが、正しくパラメータ推定できるような実装には至ることができませんでした。 ERGMとは ERGM = Exponential Random Graph Model 日本語では「指数ランダムグラフモデル」と訳されることが多いです。 略称は「あーぐむ」と読むようです。 概要については以下の記事で紹介されています。 qiita.com ERGMを使うと何が嬉しいのか 観測されたネットワークが、どのような構造的なメカニズムによって生成されたのかを知る
地下アイドル間の関連性をネットワークとして分析したり楽曲派を可視化したりしてみた話 - 蛇ノ目の記
地下アイドルアドベントカレンダー 12/16の記事です。メリークリスマス。 12/16の記事です。 12/16の( adventar.org 前回の更新から8ヶ月以上が経ってしまった。更新をサボっている間に名古屋に行ったり、大阪に行ったり、福島に行ったり、名古屋に行ったり、大阪に行ったり、名古屋に行ったり、名古屋に行ったり、大阪に行ったり、名古屋に行ったりしていた。さて今年は何回名古屋に遠征したでしょうか。名古屋は近所わかる。 アイドル現場まとめは、"その月に行った現場のまとめ"に留めないと持続可能性が低いと痛感。感想などを細かく書いていくとコストが大きくなりすぎてしまう。来年からはもっと簡素にまとめたい。 それでは本題始まります。 概要 Spotify Web APIを用いて「関連アーティスト(アプリ上では"ファンの間で人気"と表示される)」を取得し、地下アイドルの関連アーティストネット
『繋がり』を見る： Cytoscapeと周辺ツールを使ったグラフデータ可視化入門
The document discusses Cytoscape, a software environment for visualizing biomolecular interaction networks, highlighting its capabilities, tools, and models like the Watts-Strogatz and Barabási-Albert for network generation. It contains technical details about network visualization and examples of node interactions along with a sample GraphML format. Key resources and further information about Cyt
Gephi,Rを用いた邦楽有名アーティストの歌詞類似度可視化 - メモ帳
概要 日本で最も売れた邦楽アーティストの歌詞を対象に、頻出単語をランク付けしました。また、アーティスト間の類似度を求め、可視化してみました。 対象アーティスト CD総売上Top100邦楽アーティスト(2011年) http://chanz.jp/open_data/top_artist 主要アーティスト700超(2015年) http://chanz.jp/open_data/artist 検証動機 売れているアーティストの歌詞の特徴を知りたい 歌詞の類似度が高いアーティストを知りたい データ収集・類似度評価 アーティストの歌詞から名詞を形態素解析ツールMeCabにより抽出し、データベースに保存 http://chanz.jp/nitoru/artist.php?name=Mr.Children ここで保存したデータを参照できます(例：Mr.Children) 各アーティスト間において、名
Neo4jで最短経路計算をする手段の使い分け - Qiita
記事を書いた理由 Oracle PGXやNeo4jなどといったGraph DBの最短経路クエリについて調べているうちに、最短経路を取得する方法には以下の２つがあることを発見しました。 クエリ内で最短経路を取得する 最短経路計算をするアルゴリズムを呼び出す Neo4jで最短経路計算をするとき、この２つの方法をどのように使い分けるべきかをまとめてみました。 前提：テストデータの取得 以下のクエリを実行し、テストデータの作成および確認をします。 （こちらの記事も参考にしてください。） LOAD CSV WITH HEADERS FROM "https://gist.githubusercontent.com/lassewesth/634281cced11147432cf232a2c36e080/raw/1ed1f4fe4ca4c8092bbc8557addd1e5d87316833/eroads
テキストに含まれた情報を有向グラフに変換する話（三）：知識構造グラフの章 - Qiita
ひさしぶりです。グラフ大好きのスーパーケロケロです。前回のテキストに含まれた情報を有向グラフに変換する話（二）：依存構造グラフの章で依存構造のグラフについて色々考察しましたが、今回はその発展としての知識構造グラフを紹介します。 何故の知識構造グラフなのか 前回の考察で、依存構造グラフでは色々情報をなくしている事について説明しました。そのひとつの例として、下記のテキストから依存構造グラフを生成してみました： 猫はネズミが好きだ。 ネズミは犬が好きだ。 犬は猫が好きだ。 # ライブラリーのインポート from naruhodo import parser # パーサ取得 dp = parser(lang='ja', gtype='d') # dp.add("猫はネズミが好きだ。") dp.add("ネズミは犬が好きだ。") dp.add("犬は猫が好きだ。") # Jupyter Notebo
Elastic Stack 5.0.0-alpha5がリリース。そろそろGraphを試してみる #elasticsearch - Taste of Tech Topics
Pokemon Goトレーナーの @cero_t です。 今月頭にラスベガスのモンテカルロに宿泊したところ、ニャース、マンキー、ガーディの巣になっていて、アメを100個以上ためることができました！ そんなPokemon Goとは関係ないですが、Elasticsearch Go の alpha Goがリリースされました！ Go! Go! 5! 5! ・・・はい、ちょっと無理ありましたね。知ってます。 Elastic Stack 5.0.0-alpha5の新機能は、Elasticのブログエントリーを参照してください。 https://www.elastic.co/jp/blog/elastic-stack-release-5-0-0-alpha-5 私としては、Beatsのテンプレート読み込み機能の辺りがちょっと注目ポイントでした。 さて、alpha5の話題はこれぐらいにして、今日の主なテーマ
新著が出ます：『プログラマのためのSQLグラフ原論』 - ミックのブログ
今月下旬に、J.セルコの『Trees and Hierarchies 2nd Edition』の邦訳が刊行されます。同著者の代表作『プログラマのためのSQL 第4版』のスピンオフの一つで、RDB/SQLで木と階層構造を扱うための方法論にフォーカスしたなかなかマニア度の高い一冊です。主眼となる「入れ子集合モデル」については、私もあちこちの記事や書籍で紹介したことがあるので、ご存じの方もいるかもしれませんが、より包括的かつ理論面までカバーした本格派の内容になっています。 表紙の女性はマリア様でしょうか。本家の方が刊行されたときも「このおっさん誰？」という質問が相次ぎましたが、ガリレオという説が有力なようです。そう言われてみると本家は『星界の報告』のような格調を感じます。本書の方は、長らく定説とされてきたモデルをひっくり返そうという意味では『天体の回転について』みたいな性格もあるのですが、大型本
Spark+AI Summit 2019参加レポート at San Francisco — Spark3.0/Koalas/MLflow/Delta Lake
こんにちは，NTTの山室です． 今回の記事は4/23–25にサンフランシスコで開催されたSpark+AI Summitの参加レポートになります．興味のある情報への良い足がかりになることを目的に，個人的にチェックした内容を浅く広めに取り上げます． 以下の公式サイトに大半の発表資料と動画が公開されていますので，興味がある方はそちらも併せて参照してください． Spark+AI Summit 2019 Agenda Summitの翌日に訪問した会場近くのDatabricks社Spark+AI Summitは現在年に2回アメリカ西海岸とヨーロッパで開催されているDatabricks（Sparkの作者が在籍する企業）主催のイベントです．特に毎年サンフランシスコで開催されるSummitは規模が大きく，今回世界中から5,000人を超える参加者が集まったそうです． この記事では個人的に興味を持った以下の内容
大規模グラフ解析のための乱択スケッチ技法
最適輸送問題（Wasserstein 距離）を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https
Sign in - Google Accounts
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
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
Neo4j & DGL — a seamless integration
Kevin Bacon Number with Neo4j