Related Work hinzugefügt

documents/Proseminar-Netzwerkanalyse/Related-Work.tex

@@ -0,0 +1,24 @@
+%!TEX root = Ausarbeitung-Thoma.tex
+Sowohl das Problem der Knotenklassifikation, als auch das der Textklassifikation,
+wurde bereits in verschiedenen Kontexten. Jedoch scheien bisher entweder nur die Struktur des zugrundeliegenden Graphen oder nur Eigenschaften der Texte verwendet worden zu sein.
+
+So werden in \cite{bhagat,szummer} unter anderem Verfahren zur Knotenklassifikation
+beschrieben, die wie der in \cite{aggarwal2011} vorgestellte DYCOS-Algorithmus,
+um den es in dieser Ausarbeitung geht, auch auf Random Walks basieren.
+
+Obwohl es auch zur Textklassifikation einige Paper gibt \cite{Zhu02learningfrom,Jiang2010302}, geht doch keines davon auf den Spezialfall der Textklassifikation
+mit einem zugrundeliegenden Graphen ein.
+
+Die vorgestellten Methoden zur Textklassifikation variieren außerdem sehr stark.
+Es gibt Verfahren, die auf dem bag-of-words-Modell basieren \cite{Ko:2012:STW:2348283.2348453}
+wie es auch im DYCOS-Algorithmus verwendet wird. Aber es gibt auch Verfahren,
+die auf dem Expectation-Maximization-Algorithmus basieren \cite{Nigam99textclassification}
+oder Support Vector Machines nutzen \cite{Joachims98textcategorization}.
+
+Es wäre also gut Vorstellbar, die Art und Weise wie die Texte in die Klassifikation
+des DYCOS-Algorithmus einfließen zu variieren. Allerdings ist dabei darauf hinzuweisen,
+dass die im Folgeden vorgestellte Verwendung der Texte sowohl einfach zu implementieren
+ist und nur lineare Vorverarbeitungszeit in Anzahl der Wörter des Textes hat, 
+als auch es erlaubt einzelne
+Knoten zu klassifizieren, wobei der Graph nur lokal um den zu klassifizerenden
+Knoten betrachten werden muss.