CAJ | 학술논문

现有的标注聚类算法大多采用传统的K-means或Single-linkage算法对标注数据直接聚类,但是K-means或Single-linkage本身固有的缺陷严重影响了聚类结果的质量.给出了一种局部中心度传播聚类算法LCIPC(local centrality information passing clustering),该算法首先在标注相似度的基础上建立标注数据的KNN有向邻居图G；然后利用核密度估计方法计算每个标注的局部中心度；再通过随机游走方法在图G中传播局部中心度,以产生全局中心度等级；最后,调用图深度优先搜索算法发现标注聚类结果.在3个真实数据集上的聚类结果显示,LCIPC算法具有够获得高质量标注聚类结果的能力.
현유적표주취류산법대다채용전통적K-means혹Single-linkage산법대표주수거직접취류,단시K-means혹Single-linkage본신고유적결함엄중영향료취류결과적질량.급출료일충국부중심도전파취류산법LCIPC(local centrality information passing clustering),해산법수선재표주상사도적기출상건립표주수거적KNN유향린거도G；연후이용핵밀도고계방법계산매개표주적국부중심도；재통과수궤유주방법재도G중전파국부중심도,이산생전국중심도등급；최후,조용도심도우선수색산법발현표주취류결과.재3개진실수거집상적취류결과현시,LCIPC산법구유구획득고질량표주취류결과적능력.