نام (NAME)

cluster - یافتن خوشه‌ها در یک گراف و افزودن این اطلاعات به آن

خلاصه دستور (SYNOPSIS)

cluster [-v?] [ -Ck ] [ -ck ] [ -o outfile ] [ files ]

توضیحات (DESCRIPTION)

دستور cluster یک گراف را با قالب DOT به عنوان ورودی دریافت کرده، خوشه‌های گره‌ها را پیدا می‌کند و گراف را با این اطلاعات کامل می‌نماید. خوشه‌ها با مشخصه «cluster» متصل به گره‌ها تعیین می‌شوند؛ مقادیر خوشه اعداد صحیح غیرمنفی هستند. cluster تلاش می‌کند پیمانه‌ای‌بودن (modularity) خوشه‌بندی را بیشینه سازد. اگر مشخصه یال «weight» تعریف شده باشد، از آن در محاسبه خوشه‌بندی استفاده خواهد شد.

گزینه‌ها (OPTIONS)

گزینه‌های زیر پشتیبانی می‌شوند:

-Ck

تعداد خوشه‌های هدف را که باید تولید شوند مشخص می‌کند. عدد تعیین‌شده k صرفاً یک پیشنهاد است و ممکن است قابل تحقق نباشد. اگر k == 0 باشد (حالت پیش‌فرض)، تعداد خوشه‌هایی بازگردانده می‌شود که تقریباً پیمانه‌ای‌بودن را بهینه می‌کنند.

-ck

روش خوشه‌بندی را مشخص می‌کند. اگر k == 0 باشد (حالت پیش‌فرض)، خوشه‌بندی پیمانه‌ای (modularity) استفاده خواهد شد. اگر k == 1 باشد، کیفیت پیمانه‌ای (modularity quality) به کار گرفته می‌شود.

-ooutfile

مشخص می‌کند که خروجی باید در فایل outfile نوشته شود. به‌طور پیش‌فرض، از stdout استفاده می‌شود.

-v

حالت پرگو (verbose).

-?

نحوه استفاده را چاپ کرده و خارج می‌شود.

مثال‌ها (EXAMPLES)

اعمال cluster روی گراف زیر،

   graph {
       1--2 [weight=10.]
       2--3 [weight=1]
       3--4 [weight=10.]
       4--5 [weight=10]
       5--6 [weight=10]
       3--6 [weight=0.1]
       4--6 [weight=10.]
      }

نتیجه زیر را می‌دهد:

   graph {
         node [cluster="-1"];
         1 [cluster=1];
         2 [cluster=1];
         3 [cluster=2];
         4 [cluster=2];
         5 [cluster=2];
         6 [cluster=2];
         1 -- 2 [weight="10."];
         2 -- 3 [weight=1];
         3 -- 4 [weight="10."];
         4 -- 5 [weight=10];
         5 -- 6 [weight=10];
         3 -- 6 [weight="0.1"];
         4 -- 6 [weight="10."];
   }

نویسندگان (AUTHORS)

Yifan Hu <yifanhu@yahoo.com>

همچنین ببینید (SEE ALSO)

gvmap(1)

Blondel, V.D., Guillaume, J.L., Lambiotte, R., Lefebvre, E.: Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment (2008), P10008.