主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
肖 宇,于 剑.基于近邻传播算法的半监督聚类.软件学报,2008,19(11):2803-2813
基于近邻传播算法的半监督聚类
Semi-Supervised Clustering Based on Affinity Propagation Algorithm
投稿时间:2008-03-01  修订日期:2008-08-26
DOI:
中文关键词:  半监督聚类  近邻传播  相似度矩阵  成对点约束  先验知识
英文关键词:semi-supervised clustering  affinity propagation  similarity matrix  pairwise constraints  prior knowledge
基金项目:Supported by the National Natural Science Foundation of China under Grant No.60875031 (国家自然科学基金); the National Basic Research Program of China under Grant No.2007CB311002 (国家重点基础研究发展计划(973)); the Program for New Century Excellent Talents in University of China under Grant No.NECT-06-0078 (新世纪优秀人才支持计划); the Research Fund for the Doctoral Program of Higher Education of the Ministry of Education of China under Grant No.20050004008 (教育部高等学校博士学科点专项科研基金); the Fok Ying-Tong Education Foundation for Young Teachers in the Higher Education Institutions of China under Grant No.101068 (霍英东教育基金会高等院校青年教师基金)
作者单位
肖 宇 北京交通大学 计算机与信息技术学院,北京 100044 
于 剑 北京交通大学 计算机与信息技术学院,北京 100044 
摘要点击次数: 6378
全文下载次数: 12753
中文摘要:
      提出了一种基于近邻传播(affinity propagation,简称AP)算法的半监督聚类方法.AP是在数据点的相似度矩阵的基础上进行聚类.对于规模很大的数据集,AP算法是一种快速、有效的聚类方法,这是其他传统的聚类算法所不能及的,比如:K中心聚类算法.但是,对于一些聚类结构比较复杂的数据集,AP算法往往不能得到很好的聚类结果.使用已知的标签数据或者成对点约束对数据形成的相似度矩阵进行调整,进而达到提高AP算法的聚类性能.实验结果表明,该方法不仅提高了AP对复杂数据的聚类结果,而且在约束对数量较多时,该方法要优于相关比对算法.
英文摘要:
      A semi-supervised clustering method based on affinity propagation (AP) algorithm is proposed in this paper. AP takes as input measures of similarity between pairs of data points. AP is an efficient and fast clustering algorithm for large dataset compared with the existing clustering algorithms, such as K-center clustering. But for the datasets with complex cluster structures, it cannot produce good clustering results. It can improve the clustering performance of AP by using the priori known labeled data or pairwise constraints to adjust the similarity matrix. Experimental results show that such method indeed reaches its goal for complex datasets, and this method outperforms the comparative methods when there are a large number of pairwise constraints.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利