譜聚類算法改進(jìn)及在社交網(wǎng)絡(luò)中的應(yīng)用.pdf

1、聚類分析是將數(shù)據(jù)劃分成多個簇（或類）的過程。與有監(jiān)督的分類技術(shù)相比，聚類分析是無監(jiān)督學(xué)習(xí)，它是在沒有訓(xùn)練的情況下將數(shù)據(jù)對象劃分為若干個簇，數(shù)據(jù)對象屬于哪個簇以及分為幾個簇取決于數(shù)據(jù)本身。傳統(tǒng)的聚類算法中，高效的k-means算法和EM算法得到了廣泛的應(yīng)用。然而，這兩種傳統(tǒng)聚類算法只能發(fā)現(xiàn)凸球形的樣本空間，當(dāng)樣本空間不為凸球形時(shí)，算法將陷入局部最優(yōu)解。
　　譜聚類算法近幾年受到了研究人員的廣泛的關(guān)注，它是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域的又一

2、個研究熱點(diǎn)。與傳統(tǒng)的聚類算法相比，譜聚類算法能夠在任意形狀的樣本空間中發(fā)現(xiàn)正確聚類，且最終收斂在全局最優(yōu)解。譜聚類算法以譜圖理論為基礎(chǔ)，通過Laplacian矩陣將原數(shù)據(jù)空間進(jìn)行重構(gòu)，降低聚類分析對象的維度，這使得數(shù)據(jù)在子空間上的分布結(jié)構(gòu)更為清楚。能得到優(yōu)秀聚類結(jié)果的同時(shí)，譜聚類算法也存在很多問題，為了使算法應(yīng)用更廣泛，譜聚類算法本身還有很多需要研究人員對其進(jìn)行優(yōu)化的地方。本文將對這些問題做簡要介紹。針對傳統(tǒng)譜聚類算法對高斯核函數(shù)參數(shù)σ

3、敏感的問題，受密度敏感相似性度量的啟發(fā)，本文設(shè)計(jì)了兩種相似性度量方法，這兩種相似性度量方法都沒有引入高斯核函數(shù)參數(shù)，兩種方法的主要區(qū)別在于第一種引入了最短路徑，而第二種沒有，實(shí)驗(yàn)證明第二種相似性度量綜合性能更佳，通過實(shí)驗(yàn)驗(yàn)證了其提高了整個算法的穩(wěn)定性。譜聚類算法為配對算法，算法最后一階段是利用k-means（或其他傳統(tǒng)聚類算法）對選擇的特征向量進(jìn)行聚類，而k-means算法對初始聚類中心敏感，因此本文同時(shí)還設(shè)計(jì)了一種簡單卻很有效的優(yōu)化初