No description available.

No description available.

No description available.

No description available.

Graph clustering is a very common problem that arise in various fields; e.g., social science, computer networks, bioinformatics, marketing, ecological networks, and political science.In this thesis, several classes of graph clustering algorithms and ideas are reviewed. Furthermore a novel graph clustering algorithm is presented. The algorithm strives to optimize the normalized cut metric, which has proven to be a meaningful assessment of the quality of a clustering, since it takes into account both the similarity of nodes within the same cluster and the dissimilarities of nodes within different clusters. The clustering algorithm we present, which we call "Greedy Agglomerative Normalized Cut", is fast and scalable to graphs that contain millions of nodes and edges. It consists of three components: a greedy agglomerative hierarchical clustering procedure, a model order selection step (identifying the number of clusters), and a local refinement step. For most of the real-life graphs, the overall complexity of the algorithm is O(n log^2 n), where n is the number of nodes in the graph. The worse case complexity is O(n^2 log n) for very unfavorable graphs that do not usually arise in practical situations. Synthetic and real graphs are used to evaluate the performance with respect to the minimization of normalized cut, the model order selection, and the run-time of the proposed algorithm.Performance analysis indicates that the algorithm proposed in this thesis identifies partitionings that have comparable values of the normalized cut metric to those of the partitionings identified by the much more computationally intensive spectral methods. / Le groupage de graphe est un problème très commun qui survient dans plusieurs disciplines tel que les sciences sociales, les réseaux informatiques, les bio-informatiques, la mercatique, les réseaux écologiques, et les sciences politiques. Dans ce mémoire, plusieurs classes d'algorithmes et idées de groupage de graphes sont revues. De plus, un nouvel algorithme de groupage de graphe est présenté. Cet algorithme cherche à optimiser la mesure de coupe normalisée, qui permet une évaluation significative de la qualité d'un groupage puisqu'elle tient en compte à la fois la similitude des noeuds à l'intérieur d'un même groupe et les dissemblances des noeuds entre différents groupes. L'algorithme de groupage présenté, que nous appelons "Coupe Normalisée Avare Agglomérative", est rapide et extensible aux graphes comprenant des millions de noeuds et bords. Il contient trois éléments: une procédure de groupage hiérarchique agglomérative, une sélection de l'ordre du modéle (qui identifie le nombre de groupes) et une étape de raffinement locale. La complexité totale de l'algorithme est O(n log^2 n), où n est le nombre de noeuds dans le graphe, pour la plupart des graphes rencontrés en pratique. La complexité dans le pire des cas est O(n^2 log n) pour les graphes défavorables qui ne surgissent pas d'habitude en pratique. Des graphes synthétiques et véridiques sont utilisés pour évaluer la performance en fonction de la minimisation de la coupe normalisée, la sélection de l'ordre du modéle et la durée d'exécution de l'algorithme proposé. Les analyses de la performance indiquent que l'algorithme proposé dans ce mémoire obtient des mesures de coupe normalisée comparables à celles obtenues par la méthode spectrale qui demande un calcul beaucoup plus intensif.

No description available.

No description available.

No description available.

No description available.

No description available.