聚類分析作為一種無監(jiān)督學(xué)習(xí)方法,是機(jī)器學(xué)習(xí)領(lǐng)域重要的研究方向之一,已經(jīng)成功應(yīng)用到金融、商業(yè)、社交網(wǎng)絡(luò)、生物信息學(xué)等領(lǐng)域。目前存在大量成熟有效的聚類算法,其中基于圖論的譜聚類算法,具有能夠劃分任意形狀數(shù)據(jù)、易于執(zhí)行等優(yōu)點(diǎn),受到廣泛的關(guān)注。然而,譜聚類算法的計(jì)算復(fù)雜度和空間開銷比較大,對大規(guī)模數(shù)據(jù)集來說是難以承受的計(jì)算負(fù)擔(dān)。另一方面,以互聯(lián)網(wǎng)為代表的信息技術(shù)的快速發(fā)展,導(dǎo)致社交網(wǎng)絡(luò)研究需求越來越迫切。利用聚類手段分析現(xiàn)實(shí)中的社交網(wǎng)絡(luò),已經(jīng)成為一種重要有效的研究方法。本文研究譜聚類算法的可拓展性,并將改進(jìn)的譜聚類算法應(yīng)用到大規(guī)模社交網(wǎng)絡(luò)的社區(qū)檢測中,主要的研究內(nèi)容包含以下四個方面:(1)針對多數(shù)譜聚類算法通常以距離決定數(shù)據(jù)之間的相似性導(dǎo)致聚類效率低的問題,提出了一種公理化模糊共享近鄰自適應(yīng)譜聚類算法。首先結(jié)合公理化模糊集理論提出了一種模糊相似性度量方法,利用識別特征來構(gòu)造更合適的相似度矩陣,然后采用共享近鄰的方法根據(jù)每個點(diǎn)所處鄰域的稠密程度自動調(diào)節(jié)尺度參數(shù),進(jìn)一步提高聚類準(zhǔn)確率。仿真實(shí)驗(yàn)表明:相較于距離譜聚類、自適應(yīng)譜聚類、模糊聚類方法和地標(biāo)點(diǎn)譜聚類,改進(jìn)算法能取得更好的聚類效果。(2)針對...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 譜聚類研究概述
        1.2.2 社交網(wǎng)絡(luò)研究概述
    1.3 主要內(nèi)容簡介及組織結(jié)構(gòu)
第二章 改進(jìn)的模糊譜聚類算法
    2.1 基于距離度量的譜聚類算法
    2.2 公理化模糊共享近鄰譜聚類算法
        2.2.1 基于公理化模糊理論構(gòu)造相似性度量
        2.2.2 在模糊空間上建立距離度量
        2.2.3 改進(jìn)算法的提出
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)集與評價指標(biāo)
        2.3.2 實(shí)驗(yàn)結(jié)果與分析
    2.4 本章小結(jié)
第三章 改進(jìn)地標(biāo)點(diǎn)表示的自編碼譜聚類算法
    3.1 基于地標(biāo)點(diǎn)的譜聚類算法
    3.2 改進(jìn)地標(biāo)點(diǎn)表示的自編碼譜聚類算法
        3.2.1 基于加權(quán)Page Rank算法的地標(biāo)選擇過程
        3.2.2 自編碼器與聚類優(yōu)化過程
        3.2.3 改進(jìn)算法的提出
        3.2.4 算法步驟及復(fù)雜度分析
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)算法及數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于不完全Cholesky分解的半監(jiān)督譜聚類算法
    4.1 半監(jiān)督Ncut譜聚類算法
    4.2 改進(jìn)的半監(jiān)督譜聚類算法
        4.2.1 構(gòu)建不完全Cholesky分解的相似度矩陣
        4.2.2 停止準(zhǔn)則與特征值衰減問題
        4.2.3 改進(jìn)算法的提出
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集與評價指標(biāo)
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 基于聚類分析方法的社區(qū)檢測
    5.1 社區(qū)檢測算法
    5.2 基于改進(jìn)聚類的社區(qū)檢測
        5.2.1 改進(jìn)的模塊化Q函數(shù)
        5.2.2 基于改進(jìn)譜聚類算法的大規(guī)模社區(qū)檢測
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集與評價指標(biāo)
        5.3.3 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
致謝
參考文獻(xiàn)
附錄:作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3763187