{"id":22711126,"url":"https://github.com/igor-240340/clopeclusteringalgorithm","last_synced_at":"2025-03-29T21:43:36.410Z","repository":{"id":197808960,"uuid":"618782933","full_name":"igor-240340/CLOPEClusteringAlgorithm","owner":"igor-240340","description":"C++ test assignment on implementation of CLOPE clustering algorithm","archived":false,"fork":false,"pushed_at":"2024-11-27T21:22:06.000Z","size":304,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-04T22:29:56.661Z","etag":null,"topics":["algorithm","categorical-data","clope","clustering-algorithm","transactional-data"],"latest_commit_sha":null,"homepage":"","language":"C++","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/igor-240340.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2023-03-25T10:40:34.000Z","updated_at":"2024-12-09T22:41:36.000Z","dependencies_parsed_at":"2025-02-04T22:37:07.396Z","dependency_job_id":null,"html_url":"https://github.com/igor-240340/CLOPEClusteringAlgorithm","commit_stats":null,"previous_names":["igor-240340/clopeclusteringalgorithm"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/igor-240340%2FCLOPEClusteringAlgorithm","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/igor-240340%2FCLOPEClusteringAlgorithm/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/igor-240340%2FCLOPEClusteringAlgorithm/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/igor-240340%2FCLOPEClusteringAlgorithm/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/igor-240340","download_url":"https://codeload.github.com/igor-240340/CLOPEClusteringAlgorithm/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":246249227,"owners_count":20747167,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["algorithm","categorical-data","clope","clustering-algorithm","transactional-data"],"created_at":"2024-12-10T12:14:33.213Z","updated_at":"2025-03-29T21:43:36.381Z","avatar_url":"https://github.com/igor-240340.png","language":"C++","readme":"# CLOPEClusteringAlgorithm\nТестовое задание по реализации алгоритма кластеризации категорийных данных CLOPE.\n\nОригинальная публикация: https://www.researchgate.net/publication/2589850_CLOPE_A_Fast_and_Effective_Clustering_Algorithm_for_Transactional_Data.\n\nДополнительную информацию можно посмотреть здесь: https://loginom.ru/blog/clope.\n\n## Кластеризация\n### Датасет [Грибы](https://github.com/igor-240340/CLOPEClusteringAlgorithm/blob/main/CLOPEClusteringAlgorithm/Data/agaricus-lepiota.data)\nИспользован классический датасет грибов взятый здесь: https://archive.ics.uci.edu/ml/datasets/mushroom.\n\n### Датасет [Книги](https://github.com/igor-240340/CLOPEClusteringAlgorithm/blob/main/CLOPEClusteringAlgorithm/Data/books.txt)\nПосмотреть результаты кластеризации при разных параметрах можно здесь: https://drive.google.com/file/d/1E0t2GpN3gsUR2ey7HX2NA9YbQvFteUtm/view?usp=share_link.\n\u003e **Замечение**: \nКириллические названия в выходных файлах и в отчете в таблице имеют кракозябры.\nЭто результат предобработки датасета слов, в ходе которого происходит удаление определенных символов: запятые, точки и др.\nКириллица в UTF-8 представлена двумя байтам, а предобработка происходит побайтно, поэтому возможна деформация кириллических символов, но на кластеризацию это сейчас не влияет, потому что одинаковые символы в словах мы и \"корёжим\" одинаково и \"близость\" слов от это\tй деформации не меняется.\n\n![](docs/image.png)\n\nКаждая строка входного файла представляет собой название книги:\n\n```\nОсновы математического анализа. Том 1. Фихтенгольц.pdf\nМатематический анализ для школьников. Понтрягин.djvu\n```\n\nОбщая идея кластеризации состоит в том, чтобы представить название книги как транзакцию,\nа каждое слово в названии - как элемент транзакции.\nОжидается, что книги, содержащие в названии близкие по смыслу слова, будут сгруппированы вместе.\nРеализуется это в несколько этапов.\n\nУдаляем список авторов из названия:\n```\nОсновы математического анализа. Том 1.\nМатематический анализ для школьников.\n```\n\nРазбиваем название на слова, разделенные запятой (угловые скобки здесь для удобства восприятия знаков препинания):\n```\n\u003cОсновы\u003e,\u003cматематического\u003e,\u003cанализа.\u003e,\u003cТом\u003e,\u003c1.\u003e\n\u003cМатематический\u003e,\u003cанализ\u003e,\u003cдля\u003e,\u003cшкольников.\u003e\n```\n\nОчищаем слова от мусорных символов:\n```\nОсновы,математического,анализа,Том\nМатематический,анализ,для,школьников\n```\n\nОчевидно, что книги имеют много общего, но проблема в том, что близкие по смыслу слова ``(\"Математический\",\"математического\")`` и ``(\"анализ\",\"анализа\")`` фактически разные и у нас нет перекрытия по ним.\nЗадача - всё-таки получить по ним перекрытие.\nБыла идея просто урезать эти слова, отбрасывая варьирующие части типа окончания, приставки и т.д.\nНо также возникла идея применить CLOPE и для слов.\n\nВозьмем получившиеся слова по всем названиям и каждое слово представим как транзакцию, а каждую букву - как элемент транзакции.\nтогда слова ``(\"анализ\",\"анализа\")`` в форме транзакций будут выглядеть так:\n```\nа1,н2,а3,л4,и5,з6\nа1,н2,а3,л4,и5,з6,а7\n```\n\nМежду транзакциями есть явное перекрытие, поэтому при подходящем параметре отталкивания они попадут в один кластер.\n\u003e **Замечение**: \nМы смотрим на слова как на грибы, а на позиции символов - как на атрибуты грибов, а на сами символы в позициях - как на значения атрибутов.\nДва совершенно неродственных слова могут быть составлены из одинаковых символов алфавита,\nпоэтому одинаковые символы в одинаковых позициях должны совпадать.\nА те же одинаковые символы, но в разных позициях - различаться.\n\nДопустим, что слова ``(\"Математический\",\"математического\")`` попали в кластер ``c0``, а слова ``(\"анализ\",\"анализа\")`` - в кластер ``c1``.\nОстальные слова пускай попадут каждое в свой уникальный кластер.\nТеперь заменим в датасете книг каждое слово на номер кластера, в который оно попало на этапе группировки слов:\n```\nОсновы,математического,анализа,Том\nМатематический,анализ,для,школьников\n```\n```\nc2,(c0),(c1),c3\n(c0),(c1),c4,c5\n```\n\nТеперь у нас есть перекрытие по похожим словам и мы можем кластеризовать названия книг так же, как мы кластеризовали грибы и слова.\n\n## Юнит-тесты\nНам нужно убедиться, что наш код работает правильно. Мы могли бы найти эталонный датасет и эталонную кластеризацию и сравнить при одинаковых параметрах результаты кластеризации нашей программы и эталонной.\nНо вполне возможна ситуация, когда наша реализация будет некорректной, но при этом при определенных параметрах (в данном случае - repulsion) будет давать на выходе ожидаемое распределение по кластерам.\nДопустим, что в эталонной (и корректной) реализации помещение транзакции в некий кластер ``c`` даёт прирост целевой функции равный ``10``, который является максимальным.\nДопустим также, что в нашей реализации при оценке прироста качества кластера допущена ошибка и вместо ``10`` мы получаем ``9``, но тем не менее, это значение всё-равно оказывается максимальным приростом, поэтому транзакция в итоге окажется в правильном кластере.\nТаким образом, ошибки в промежуточных оценках могут не повлиять на конечный результат, поэтому важно проверить корректность работы промежуточных модулей.\n\n## Результаты\nРезультат интересный. Но неродственные по смыслу слова могут попасть в один кластер, например ``(\"уровне\",\"уравнение\")`` и наоборот.\n","funding_links":[],"categories":[],"sub_categories":[],"project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Figor-240340%2Fclopeclusteringalgorithm","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Figor-240340%2Fclopeclusteringalgorithm","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Figor-240340%2Fclopeclusteringalgorithm/lists"}