O trabalho proposto utilizou o agrupamento baseado em modularidade aplicado à recomenda- ção. Através do estudo aprofundado dos temas envolvidos, chegou-se à conclusão de que a união entre estas duas áreas, redes complexas e sistemas de recomendação, pode gerar bons resultados de recomendação. Dois métodos diferentes de recomendação foram propostos, dois algoritmos de agrupamento e uma nova métrica de modularidade foram propostos. A pesquisa apresentada aqui utilizou-se de grafos bipartidos, pois os sistemas de recomendação normal- mente têm pelo menos dois tipos de nós: o usuário que receberá a recomendação e o item que será recomendado.
A primeira técnica proposta foi utilizada para estimar o peso de uma aresta entre um usuário e um item. O método criado realizou o agrupamento na rede bipartida com a métrica de modu- laridade proposta por Girvan e Newman e utilizou o algoritmo Louvain. Embora ambos tenham sido criados para redes unipartidas, aplicou-os para redes bipartidas porque definiu-se que um grupo podia conter vértices de ambos os tipos de nós. Após a realização do agrupamento, é identificado o grupo do usuário e o grupo do item para que a estimação seja feita. Entretanto, só as arestas do grupo do item foram utilizadas. Esta proposta de método foi utilizada para solucionar o RecSys Challenge 2014, cujo tema foi User Engagement as Evaluation. Com o resultado deste método obteve-se o 6º lugar na competição, o qual envolveu grupos de diversos lugares do mundo.
O outro método proposto também utiliza agrupamento em grafos bipartidos. Para este mé- todo, o diferencial na recomendação é que aqui foram utilizadas todas as arestas entre o grupo do usuário e o grupo do filme. Para este novo método, foram desenvolvidos dois algoritmos: o Agrupamento com Movimento de Vértices (AMV), que pode ser utilizado com diversas mé- tricas de modularidade, e o Agrupamento com Movimento de Arestas (AMA), que faz uso da modularidade proposta e é mais rápido que outros algoritmos da literatura e, ainda, do AMV.
Com o AMV, realizaram-se experimentos na base de dados do MovieLens 100K com três mo- dularidades: i) a de Girvan e Newman, ii) a de Suzuki e Wakita, iii) a modularidade proposta. Para o experimento realizado com a modularidade de Girvan e Newman, usou-se a definição de grupo no qual ambos os tipos de nós podem fazer parte dele. Para o experimento realizado com a modularidade de Suzuki e Wakita, cada grupo é formado por apenas um tipo de nó e a quantidade de grupos de um tipo de nó pode ser diferente da quantidade de grupos do outro tipo de nó. Para ambos os experimentos, obteve-se valores de taxa de erro semelhantes aos valores apresentados por métodos de recomendação muito utilizados. Dessa forma, quando comparados com outros métodos de referência através do erro médio quadrático, os resultados de ambos se mostraram equivalentes.
Para o mesmo método apresentado, mas utilizando a métrica proposta, o valor do erro médio quadrático obtido foi de 1.029, o qual está acima apenas de um dos cinco métodos apresenta- dos na Tabela 6.1 (SAID; BELLOGÍN, 2014), a saber, o método SVD50 com MSE = 0.902. Esta nova métrica foi desenvolvida para diminuir o erro médio quadrático nas recomendações. Observou-se que as outras modularidades utilizadas nos dois experimentos anteriores não con- templavam um agrupamento adequado para recomendação quando o peso das arestas informa a qualificação. As métricas utilizadas privilegiam os agrupamentos em que os nós têm arestas em comum, mesmo que de valores de peso muito distantes. A métrica proposta privilegia o agrupamento em que as arestas entre os grupos tenham valores semelhantes.
Para os experimentos do algoritmo AMA, foi utilizada também a base de dados MovieLens 100K, além de outras que também são amplamente usadas para avaliar recomendações, como a MovieLens 1M, MovieTweetings, Book-crossing e Jester. Os resultados apresentados são melhores que a maioria dessas bases, quando se compara os algoritmos: filtragem colaborativa baseada em usuário (User Based) e baseada em item (Item Based) com as medidas de simila- ridade Cosseno e a correlação de Pearson, além do SVD (Singular Value Decomposition). Um outro ponto muito importante é sua rapidez tanto para o treinamento, quanto para a predição. Ponto muito importante para sistemas de recomendação reais, os quais contêm uma enorme quantidade de elementos.
dade, menor a taxa de erro da recomendação. Para todas as métricas de modularidade utilizadas aqui, tem-se a ideia de que quanto melhor a divisão da rede, maior o valor da métrica de modu- laridade. Assim, se as outras métricas fossem adequadas para a recomendação, quanto maior o valor da métrica, melhor estaria a formação dos grupos e supostamente a taxa de erro seria menor. Porém, isso só ocorreu com a métrica de modularidade proposta aqui.
Retomando a lista de hipóteses apresentada no Capítulo 1 desta tese, temos que:
1. Sim, os grupos formados na rede que modela um sistema de recomendação viabilizam a recomendação, pois são encontrados padrões interessantes para a recomendação, como: grupo de usuários que têm o mesmo gosto por filmes e filmes semelhantes.
2. O algoritmo Louvain (NEWMAN; GIRVAN, 2004) e o de Suzuki e Wakita (2009) for- mam grupos coesos, porém, para sistemas de recomendação, notou-se uma falta nas métricas utilizadas por eles: o valor da métrica cresce quando se une vértices ligados por arestas. Para sistemas de recomendação, o peso dessas arestas importam, não apenas a existência delas.
3. Como citado no último tópico, vimos que os sistemas de recomendação pedem agru- pamentos com uma particularidade: são semelhantes os usuários que possuem gostos semelhantes pelos itens contidos no sistema, por isso foi proposta uma nova métrica de modularidade que observa isso.
4. Observou-se que quando se utilizou a métrica proposta o valor da taxa de erro dimi- nuía quando o valor da modularidade aumentava, transparecendo os bons agrupamentos realizados pela métrica. Com os outras métricas não ocorreu isso.
Como trabalho futuro, pretende-se:
• Desenvolver um algoritmo para que ele mesmo encontre a quantidade de grupos mais adequada, não precisando passar parâmetros.
• Desenvolver uma melhor estratégia para diminuir a falta de informação nos casos de novos elementos na rede (cold-start).
• Reorganizar a rede quando um novo vértice é inserido nesta. Por exemplo, quando a rede já está agrupada e um novo nó é inserido, seria interessante observar em qual dos grupos este novo nó pode ficar, ou, não sendo este vértice semelhante a de nenhum grupo, criar um novo grupo com ele.
• Realizar a predição de qualificação com média ponderada. Um problema com o método proposto é que, para 6 grupos de usuário e 6 grupos de itens existem apenas 36 possíveis valores de qualificação para predição, o que atrapalha o NDCG. Uma possível solução é fazer uma média ponderada: 10% da média do usuário para todos os itens que ele avaliou e 90% a média das arestas do grupo de usuário para o grupo de filmes.
• Recomendar quando não há interseção entre os grupos de usuários. Acontece de não ter recomendação de um grupo de usuário para outro grupo de usuário sobre itens de um grupo específico. Isto significa que nenhum usuário daquele grupo qualificou um item do outro grupo. Isto pode tanto demonstrar desinteresse dos usuários deste grupo para itens do outro grupo, quanto pode demonstrar que os grupos são muito pequenos. Dependendo da informação sobre os tamanhos dos grupos, pode-se fazer uma recomendação melhor que a média.
ADAMIC, L. A. Zipf, Power-laws, and Pareto- a ranking tutorial. 2000.
ADAMIC, L. A.; GLANCE, N. The political blogosphere and the 2004 us election. In: Proceedings of the WWW-2005 Workshop on the Weblogging Ecosystem. [S.l.: s.n.], 2005. ALBERT, R.; BARABÁSI, A.-L. Statistical mechanics of complex networks. Rev. Mod. Phys., American Physical Society, v. 74, n. 1, p. 47–97, jan. 2002. Disponível em: <http://link.aps.org/doi/10.1103/RevModPhys.74.47>.
AMATRIAIN, X. The Netflix Prize: Lessons Learned. 2009. Acessado 22/12/2015. Disponível em: <http://technocalifornia.blogspot.com.br/2009/09/netflix-prize-lessons-learned.html>. ASRATIAN, A.; DENLEY, T.; HÄGGKVIST, R. Bipartite Graphs and Their Applications. Cambridge University Press, 1998. ISBN 9780521593458. Disponível em: <http:
//books.google.com.br/books?id=cImr4BGQ85kC>.
BAIRD D., U. R. E. The seasonal dynamics of the Chesapeake Bay ecosystem. 1989. BARABÁSI, A.; BONABEAU, E. Scale-free networks. Sci Am, 2003.
BARABASI, A.-L. Linked: How Everything is Connected to Everything Else and What it Means for Business, Science and Everyday Life. [S.l.: s.n.], 2003.
BARABáSI, A.-L. Network Science. [S.l.]: Cambridge University Press, 2016. ISBN 9781107076266.
BARBER, M. J. Modularity and community detection in bipartite networks. Physical Review E, v. 76, n. 6, 2007. Disponível em: <http://arxiv.org/abs/arXiv:0707.1616>.
BELLOGIN, A.; PARAPAR, J. Using graph partitioning techniques for neighbour selection in user-based collaborative filtering. In: Proceedings of the Sixth ACM Conference on Recommender Systems. New York, NY, USA: ACM, 2012. (RecSys ’12), p. 213–216. ISBN 978-1-4503-1270-7. Disponível em: <http://doi.acm.org/10.1145/2365952.2365997>. BIRMELE, E. A scale-free graph model based on bipartite graphs. Discrete Applied Mathematics, v. 157, n. 10, p. 2267–2284, 2009. Disponível em: <http://dblp.uni-trier.de/db/ journals/dam/dam157.html\#Birmele09>.
BLONDEL, V. D. et al. Fast unfolding of community hierarchies in large networks. CoRR, abs/0803.0476, 2008. Disponível em: <http://dblp.uni-trier.de/db/journals/corr/corr0803.html\ \#abs-0803-0476>.
BRANDES, U. et al. Maximizing Modularity is hard. 2006. Disponível em: <http: //arxiv.org/abs/physics/0608255>.
BRIN, S.; PAGE, L. The anatomy of a large-scale hypertextual web search engine. Comput. Netw. ISDN Syst., Elsevier Science Publishers B. V., Amsterdam, The Netherlands, The Netherlands, v. 30, n. 1-7, p. 107–117, abr. 1998. ISSN 0169-7552. Disponível em: <http://dx.doi.org/10.1016/S0169-7552(98)00110-X>.
BURKE, R. Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction, Kluwer Academic Publishers, Hingham, MA, USA, v. 12, n. 4, p. 331–370, nov. 2002. ISSN 0924-1868. Disponível em: <http://dx.doi.org/10.1023/A: 1021240730564>.
CHAKRABORTY, T. et al. Constant communities in complex networks. Scientific Reports, 2013. Disponível em: <http://www.nature.com/srep/2013/130510/srep01825/full/srep01825. html>.
CHESSA, A. et al. Cluster analysis of weighted bipartite networks: A new copula-based approach. PLoS ONE, Public Library of Science, v. 9, n. 10, p. e109507, 10 2014. Disponível em: <http://dx.doi.org/10.1371\\%2Fjournal.pone.0109507>.
CLAUSET, A.; NEWMAN, M. E. J.; MOORE, C. Finding community structure in very large networks. Physical Review E, p. 1– 6, 2004. Disponível em: <www.ece.unm.edu/ifis/papers/ community-moore.pdf>.
CLAUSET, A.; SHALIZI, C. R.; NEWMAN, M. E. J. Power-law distributions in empirical data. SIAM Rev., Society for Industrial and Applied Mathematics, Philadelphia, PA, USA, v. 51, n. 4, p. 661–703, nov. 2009. ISSN 0036-1445. Disponível em:
<http://dx.doi.org/10.1137/070710111>.
CUPERTINO, T. H.; SILVA, T. C.; ZHAO, L. Classification of multiple observation sets via network modularity. Neural Computing and Applications, v. 23, n. 7-8, p. 1923–1929, 2013. DANG, T. A.; VIENNET, E. Collaborative filtering in social networks: A community-based approach. In: Computing, Management and Telecommunications (ComManTel), 2013 International Conference on. [S.l.: s.n.], 2013. p. 128–133.
DAVIS, A.; GARDNER, B.; GARDNER, M. Deep south: A social anthropological study of caste and class. In: . Chicago, IL: University of Chicago Press, 1941. Disponível em: </brokenurl\#http://publication.wilsonwong.me/load.php?id=233281895>.
DEMOVIC, L. et al. Movie recommendation based on graph traversal algorithms. In: MORVAN, F.; TJOA, A. M.; WAGNER, R. (Ed.). DEXA Workshops. IEEE, 2013. p.
152–156. ISBN 978-0-7695-5070-1. Disponível em: <http://dblp.uni-trier.de/db/conf/dexaw/ dexaw2013.html\#DemovicFKKPVZB13>.
DIAZ-AVILES, E. et al. Predicting user engagement in twitter with collaborative ranking. In: Proceedings of the 2014 Recommender Systems Challenge. New York, NY, USA: ACM, 2014. (RecSysChallenge ’14). ISBN 978-1-4503-3188-3. Disponível em: <http://doi.acm.org/10.1145/2668067.2668072>.
DOOMS, S.; PESSEMIER, T. D.; MARTENS, L. Movietweetings: a movie rating dataset collected from twitter. In: Workshop on Crowdsourcing and Human Computation for Recommender Systems, CrowdRec at RecSys 2013. [S.l.: s.n.], 2013.
DUCH, J.; ARENAS, A. Community detection in complex networks using extremal
optimization. Phys. Rev. E, American Physical Society, v. 72, p. 027104, Aug 2005. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.72.027104>.
EKSTRAND, M. D. Tools and Experiments for Identifying Recommender Differences. Tese (Doutorado) — University of Minnesota, 2014.
EKSTRAND, M. D. et al. Rethinking the recommender research ecosystem: reproducibility, openness, and lenskit. In: MOBASHER, B. et al. (Ed.). RecSys. ACM, 2011. p. 133–140. ISBN 978-1-4503-0683-6. Disponível em: <http://dblp.uni-trier.de/db/conf/recsys/recsys2011.html\ #EkstrandLKR11>.
FORTUNATO, S. Community detection in graphs. Physics Reports, v. 486, n. 3-5, p. 75 – 174, 2010. ISSN 0370-1573. Disponível em: <http://www.sciencedirect.com/science/article/ B6TVP-4XPYXF1-1/2/99061fac6435db4343b2374d26e64ac1>.
FUNK, S. Netflix Update: Try This at Home. 2006. Acessado 22/12/2015. Disponível em: <http://sifter.org/~simon/journal/20061211.html>.
GIRVAN, M.; NEWMAN, M. E. J. Community structure in social and biological networks. Proceedings of the National Academy of Sciences, v. 99, n. 12, p. 7821–7826, 2002.
GLEISER, P. M.; DANON, L. Community structure in jazz. Advances in Complex Systems, v. 06, n. 04, p. 565–573, 2003. Disponível em: <http://www.worldscientific.com/doi/abs/10. 1142/S0219525903001067>.
GOLDBERG, K. et al. Eigentaste: A constant time collaborative filtering algorithm. Inf. Retr., Kluwer Academic Publishers, Hingham, MA, USA, v. 4, n. 2, p. 133–151, jul. 2001. ISSN 1386-4564. Disponível em: <http://dx.doi.org/10.1023/A:1011419012209>.
GUILLAUME, J.-L.; LATAPY, M. Bipartite graphs as models of complex networks. In: LóPEZ-ORTIZ, A.; HAMEL, A. M. (Ed.). CAAN. Springer, 2004. (Lecture Notes in Computer Science, v. 3405), p. 127–139. ISBN 3-540-27873-7. Disponível em: <http://dblp.uni-trier.de/db/conf/caan/caan2004.html\#GuillaumeL04>.
GUILLOU, F. et al. User engagement as evaluation: a ranking or a regression problem? In: Proceedings of the 2014 Recommender Systems Challenge. New York, NY, USA: ACM, 2014. (RecSysChallenge ’14). ISBN 978-1-4503-3188-3. Disponível em: <http://dx.doi.org/10.1145/2668067.2668073>.
GUIMERà, R.; SALES-PARDO, M.; AMARAL, L. A. N. Module identification in bipartite and directed networks. Phys. Rev. E, American Physical Society, v. 76, p. 036102, Sep 2007. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.76.036102>.
GUIMERA, R. et al. Self-similar community structure in a network of human interactions. Phys. Rev. E, American Physical Society, v. 68, p. 065103, Dec 2003. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.68.065103>.
HE, J. A Social Network-based Recommender System. Tese (Doutorado), Los Angeles, CA, USA, 2010. AAI3437557.
HERLOCKER, J. L. et al. An algorithmic framework for performing collaborative filtering. In: Proceedings of the 22Nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, NY, USA: ACM, 1999. (SIGIR ’99), p. 230– 237. ISBN 1-58113-096-1. Disponível em: <http://doi.acm.org/10.1145/312624.312682>. HUANG, Z.; ZENG, D.; CHEN, H. A comparison of collaborative-filtering recommendation algorithms for e-commerce. IEEE Intelligent Systems, IEEE Educational Activities
Department, Piscataway, NJ, USA, v. 22, n. 5, p. 68–78, set. 2007. ISSN 1541-1672. Disponível em: <http://dx.doi.org/10.1109/MIS.2007.80>.
HUANG, Z.; ZENG, D. D.; CHEN, H. Analyzing consumer-product graphs: Empirical findings and applications in recommender systems. Management Science, v. 53, n. 7, p. 1146–1164, 2007. Disponível em: <http://dblp.uni-trier.de/db/journals/mansci/mansci53.html\ #HuangZC07>.
JAMES, T. L.; BROWN, E. C.; RAGSDALE, C. T. Grouping genetic algorithm for the blockmodel problem. IEEE Trans. Evolutionary Computation, v. 14, n. 1, p. 103–111, 2010. Disponível em: <http://dblp.uni-trier.de/db/journals/tec/tec14.html\#JamesBR10>.
JANNACH, D. et al. Recommender Systems: An Introduction. 1st. ed. New York, NY, USA: Cambridge University Press, 2010. ISBN 0521493366, 9780521493369.
JOHNSTON, C. Netflix never used its $1 million algorithm due to engineering costs. 2012. Acessado 24/01/2016. Disponível em: <http://arstechnica.com/gadgets/2012/04/ netflix-never-used-its-1-million-algorithm-due-to-engineering-costs/>.
KAGGLE. Profiling Top Kagglers: Gilberto Titericz, New #1 in the World. 2015. <http: //blog.kaggle.com/2015/11/09/profiling-top-kagglers-gilberto-titericz-new-1-in-the-world/>. Acessado em 21 de dezembro de 2015.
KANTOR, P. B. Recommender systems handbook. New York; London: Springer, 2009. – p. ISBN 9780387858197 0387858199. Disponível em: <http://www.worldcat.org/search?qt= worldcat\_org\_all&q=9780387858197>.
KEMENY, J. Mathematics without numbers. Daedalus, v. 88, p. 575–591, 1959.
KNUTH, D. E. The Stanford GraphBase: a platform for combinatorial computing. Reading, Massachusetts: Addison-Wesley, 1993. ISBN 0-201-54275-7.
KOREN, Y. Factorization meets the neighborhood: A multifaceted collaborative filtering model. In: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: ACM, 2008. (KDD ’08), p. 426–434. ISBN 978-1-60558-193-4. Disponível em: <http://doi.acm.org/10.1145/1401890.1401944>.
KOREN, Y.; BELL, R. M. Advances in collaborative filtering. In: RICCI, F. et al. (Ed.). Recommender Systems Handbook. Springer, 2011. p. 145–186. ISBN 978-0-387-85819-7. Disponível em: <http://dblp.uni-trier.de/db/reference/rsh/rsh2011.html\#KorenB11>.
KREBS, V. Books about US Politics. 2003. Disponível em: <http://networkdata.ics.uci.edu/ data.php?d=polbooks>.
LANCICHINETTI, A. et al. Characterizing the community structure of complex networks. PLoS ONE, Public Library of Science, v. 5, n. 8, p. e11976, 08 2010. Disponível em: <http://dx.doi.org/10.1371\\%2Fjournal.pone.0011976>.
LEE, S. et al. Pathrank: Ranking nodes on a heterogeneous graph for flexible hybrid recommender systems. Expert Syst. Appl., v. 40, n. 2, p. 684–697, 2013. Disponível em: <http://dblp.uni-trier.de/db/journals/eswa/eswa40.html\#LeePKL13>.
LESKOVEC, J. et al. Community structure in large networks: Natural cluster sizes and the absence of large well-defined clusters. CoRR, abs/0810.1355, 2008. Disponível em: <http://arxiv.org/abs/0810.1355>.
LI, X.; CHEN, H. Recommendation as link prediction in bipartite graphs: A graph kernel-based machine learning approach. Decision Support Systems, v. 54, n. 2, p. 880–890, 2013. Disponível em: <http://dblp.uni-trier.de/db/journals/dss/dss54.html\#LiC13>.
LIU, J. Fuzzy modularity and fuzzy community structure in networks. The European Physical Journal B - Condensed Matter and Complex Systems, v. 77, n. 4, p. 547–557, 2010. Disponível em: <http://EconPapers.repec.org/RePEc:spr:eurphb:v:77:y:2010:i:4:p:547-557>.
LIU, J.-H. et al. Promoting cold-start items in recommender systems. PLoS ONE, Public Library of Science, v. 9, n. 12, p. e113457, 12 2014. Disponível em: <http: //dx.doi.org/10.1371\\%2Fjournal.pone.0113457>.
LIU, X.; MURATA, T. Community detection in large-scale bipartite networks. In: Web Intelligence and Intelligent Agent Technologies, 2009. WI-IAT ’09. IEEE/WIC/ACM International Joint Conferences on. [S.l.: s.n.], 2009. v. 1, p. 50–57.
LOIACONO, D.; LOMMATZSCH, A.; TURRIN, R. Recsys challenge 2014: Learning to rank. ACM, New York, NY, USA, 2014.
LUSSEAU, D. et al. The bottlenose dolphin community of doubtful sound features a large proportion of long-lasting associations: Can geographic isolation explain this unique trait? Behavioral Ecology and Sociobiology, Springer, v. 54, p. 396–405, 2003. Disponível em: <http://www.jstor.org/stable/25063281>.
MALL, R.; LANGONE, R.; SUYKENS, J. A. K. Multilevel hierarchical kernel spectral clustering for real-life large scale complex networks. PLoS ONE, Public Library of Science, v. 9, n. 6, p. e99966, 11 2014. Disponível em: <http://dx.doi.org/10.1371\%2Fjournal.pone. 0097823>.
MELAMED, D. Community structures in bipartite networks: A dual-projection approach. PLoS ONE, Public Library of Science, v. 9, n. 5, p. e97823, 05 2014. Disponível em: <http://dx.doi.org/10.1371\%2Fjournal.pone.0097823>.
MURATA, T. Community division of heterogeneous networks. In: ZHOU, J. (Ed.). Complex (1). Springer, 2009. (Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, v. 4), p. 1011–1022. ISBN 978-3-642-02465-8. Disponível em: <http://dblp.uni-trier.de/db/conf/complex/complex2009-1.html\#Murata09>. NEWMAN, M. The structure and function of complex networks. SIAM review, JSTOR, v. 45, n. 2, p. 167–256, 2003. ISSN 0036-1445.
NEWMAN, M. Networks: An Introduction. New York, NY, USA: Oxford University Press, Inc., 2010. ISBN 0199206651, 9780199206650.
NEWMAN, M. E. Modularity and community structure in networks. Proc Natl Acad Sci U S A, v. 103, n. 23, p. 8577–8582, jun. 2006.
NEWMAN, M. E. J. The structure of scientific collaboration networks. Proceedings of the National Academy of Sciences, v. 98, n. 2, p. 404–409, 2001. Disponível em: <http://www.pnas.org/content/98/2/404.abstract>.
NEWMAN, M. E. J. Analysis of weighted networks. Phys. Rev. E, American Physical Society, v. 70, p. 056131, Nov 2004. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.70. 056131>.
NEWMAN, M. E. J. Power laws, pareto distributions and zipf’s law. Contemporary Physics, v. 46, p. 323–351, December 2005. Disponível em: <http://arxiv.org/abs/cond-mat/0412004>. NEWMAN, M. E. J. Finding community structure in networks using the eigenvectors of matrices. Phys. Rev. E, American Physical Society, v. 74, p. 036104, Sep 2006. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.74.036104>.
NEWMAN, M. E. J.; GIRVAN, M. Finding and evaluating community structure in networks. Physical Review E, American Physical Society, v. 69, n. 2, p. 026113, fev. 2004. Disponível em: <http://link.aps.org/doi/10.1103/PhysRevE.69.026113>.
NEWMAN, M. E. J.; STROGATZ, S. H.; WATTS, D. J. Random graphs with arbitrary degree distributions and their applications. Physical Review E, American Physical Society, v. 64, n. 2, p. 026118, 2001.
PAN, G. et al. Online community detection for large complex networks. PLoS ONE, Public Library of Science, v. 9, n. 7, p. e102799, 07 2014. Disponível em: <http: //dx.doi.org/10.1371\\%2Fjournal.pone.0102799>.
PáLOVICS, R. et al. Recsys challenge 2014: An ensemble of binary classifiers and matrix factorization. In: Proceedings of the 2014 Recommender Systems Challenge. New York, NY, USA: ACM, 2014. (RecSysChallenge ’14), p. 13:13–13:18. ISBN 978-1-4503-3188-3. Disponível em: <http://doi.acm.org/10.1145/2668067.2668071>.
PONS, P.; LATAPY, M. Computing communities in large networks using random walks. J. of Graph Alg. and App. bf, v. 10, p. 284–293, 2004.
RAGHAVAN, U. N.; ALBERT, R.; KUMARA, S. Near linear time algorithm to detect community structures in large-scale networks. 2007. Disponível em: <http: //arxiv.org/abs/0709.2938>.