Performance Analysis of a Multicore Approach Proposed for Efficient Community Detection and Recommendation System
Notice bibliographique
Résumé
Community detection is a well-known area of research that yields essential results in various fields such as social media, biological networks, pandemic spread, recommendation systems, etc. There are two important areas for improvement in existing community detection algorithms: quality of community formed should be improved and a parallel approach to community detection is needed to handle massive data. In this paper, we have proposed a three-step parallel algorithm, Par-Com, using the concept of k Clique and modularity optimization to address both of the above issues. The proposed algorithm increases the execution speed and also improves the quality of the community formed by optimizing modularity. Par-Com uses dynamic load balancing on the multicore architecture of Supercomputer ParamShivay. We have also evaluated Par-Com’s performance against nine sequential and three parallel community detection algorithms on varying size datasets, i.e. karate, macaque, email, immuno, soc-epinions, facebook, and com-Friendster. The experiment result shows that Par-Com outperforms other algorithms under consideration with up to 45% increase in modularity and up to 84% increase in execution speed. Par-Com is also capable of detecting overlapping communities, fuzzy membership of each node, most influential node in each community formed, and outlier nodes. Nodes within a community that have the highest influence are deemed as experts. The choices made by an expert in a particular community are served as recommendations to other users within that community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».