Natknąłem się na ten artykuł, który wykorzystuje wykrywanie anomalii linków do przewidywania trendów, i uważam, że jest to niezwykle intrygujące: artykuł „Odkrywanie pojawiających się tematów w strumieniach społecznościowych poprzez wykrywanie anomalii linków” .
Chciałbym powielić go na innym zestawie danych, ale nie znam wystarczająco metod, aby wiedzieć, jak z nich korzystać. Powiedzmy, że mam serię migawek sieci węzłów w okresie sześciu miesięcy. Węzły mają rozkład stopni z długim ogonem, z których większość ma tylko kilka połączeń, a niektóre mają bardzo wiele. Nowe węzły pojawią się w tym okresie.
Jak mogę wdrożyć sekwencyjne zdyskontowane znormalizowane obliczenia maksymalnego prawdopodobieństwa zastosowane w pracy, aby wykryć anomalne połączenia, które moim zdaniem mogą być prekursorami wybuchu? Czy istnieją inne metody, które byłyby bardziej odpowiednie?
Pytam zarówno teoretycznie, jak i praktycznie. Gdyby ktoś mógł wskazać mi sposób zaimplementowania tego w Pythonie lub R, byłoby to bardzo pomocne.
Ktoś? Wiem, że sprytni ludzie mają kilka początkowych pomysłów na odpowiedź,
Odpowiedzi:
Najpierw należy opracować definicję wyniku anomalii dla nowego węzła (patrz rozdział 3.1, 3.2). Na szczęście korespondencja między nowym postem (w ich przypadku) a nowym węzłem (w twoim przypadku) jest prawie jeden do jednego, ponieważ interesuje nas tylko zestaw węzłów (użytkowników), którym jest węzeł (post) związany z.
Zapytaj dalej, jeśli masz trudności z wykonaniem kroków opisanych w podrozdziale 3.4., W których stosuje się SDNML.
źródło