基于成對約束的半監(jiān)督聚類算法研究及其并行化實現(xiàn).pdf

1、作為數(shù)據(jù)挖掘領域中的一種重要方法，聚類分析能夠發(fā)現(xiàn)數(shù)據(jù)對象自然的分布結構。它根據(jù)數(shù)據(jù)對象之間的相似性，把數(shù)據(jù)對象分割成簇，并保證同一簇內(nèi)中數(shù)據(jù)的相似性盡可能大，而不同簇間數(shù)據(jù)的相似性盡可能小。從機器學習的角度來看，聚類分析是一種無監(jiān)督的學習方法，它按照一定的優(yōu)化準則對數(shù)據(jù)進行分割，對數(shù)據(jù)的分析不需要知道其相關的背景知識。但是，現(xiàn)實生活中我們對數(shù)據(jù)的信息并不是一無所知，并且我們發(fā)現(xiàn)通過這些少量的已知信息能夠找到數(shù)據(jù)對象標識或相互之間的約束

2、信息。半監(jiān)督聚類就是在傳統(tǒng)的無監(jiān)督聚類算法中引入先驗知識來指導聚類過程，提高聚類結果精度。
　　 本文選擇引入成對約束作為先驗知識來協(xié)助指導聚類過程，分別建立了Must-Link和Cannot-Link約束組，用以描述兩個樣本數(shù)據(jù)間的關系。其中，Must-Link代表兩個樣本數(shù)據(jù)必須被分配到同一劃分，而Cannot-Link則代表兩個樣本數(shù)據(jù)必須被分配到不同的劃分。詳細介紹了基于成對約束的半監(jiān)督聚類算法Cop-Kmeans，對算

3、法比較常見的約束違反的問題，提出了全新的改進方法，在解決約束違反的同時，算法的運行時間效率也優(yōu)于傳統(tǒng)的改進方案。此外，針對成對約束自身特征可能給聚類性能帶來的不良影響，進一步提出了相應的改進方案，能夠最大限度的削弱這種不良影響，從而能夠在一定程度上改善聚類結果精度。
　　 考慮到當聚類對象是一個大數(shù)據(jù)集或者高維數(shù)據(jù)類型時，傳統(tǒng)的單機串行聚類算法無論是在內(nèi)存或者運算能力都無法滿足實際需求。本文選擇運用“云計算”思想，采用并行處理方