【摘要】:例如,基于图分割的联合聚类算法中,可在二分图中加入其他类型的节点,代表其他类型的数据,直接对多种类型的数据进行聚类[153]。Dhillon 等[132,146]提出了以KullbackLeibler距离最小为标准的二部图协同谱图划分的联合聚类算法。Ding 等[141]提出了一个基于NMF 且类似于联合聚类方式的聚类方法。为了优化非负矩阵分解的问题,Chen 等[155]在NMF 分解的基础上增加正交约束,提出一种称为正交约束NMF 的方法,该方法可被看成一种软联合聚类方法。
联合聚类已被成功应用于基因组表达、文本挖掘、协同过滤等领域[132⁃133,146⁃152]。通过联合聚类,可发现任意两种类型数据的关联,也就可推导出多种类型数据之间的关联。例如,基于图分割的联合聚类算法中,可在二分图中加入其他类型的节点,代表其他类型的数据,直接对多种类型的数据进行聚类[153]。
Slonim 等[154]将不同类型的对象作为不同的随机变量,提出一种基于统计分布的联合聚类方法。该方法将行和列两种不同类型的对象同时进行聚类,并在此基础上提出了信息瓶颈的概念。Dhillon 等[132,146]提出了以Kullback⁃Leibler(KL)距离最小为标准的二部图协同谱图划分的联合聚类算法。Banerjee 等[147]提出了一种同时考虑类别内部均值,以及行与列向量全局均值的联合聚类方法。以得到最好的矩阵逼近,该方法采用任意的Bregman 散度作为目标函数。(www.daowen.com)
基于矩阵的联合聚类算法是利用对象和属性之间的关联矩阵,将行和列一起进行聚类,即把矩阵分割成矩阵子块,以子块方差作为目标函数,目标函数越小,聚类的效果越好。Long 等[133]提出了将关系矩阵使用块值分解的三元组矩阵分解联合聚类方法。Ding 等[141]提出了一个基于NMF 且类似于联合聚类方式的聚类方法。为了优化非负矩阵分解的问题,Chen 等[155]在NMF 分解的基础上增加正交约束,提出一种称为正交约束NMF 的方法,该方法可被看成一种软联合聚类方法。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。