混合类型数据相似度及闻格聚类算法.PDFVIP

计算机科学2001Vo1.281`1-0.8增刊) 混合类型数据相似度及网格聚类算法 SimilarityofMixedDataTypesandClusteringAlgorithmBased-onGrid 陈 宁 ‘陈 安，周龙软， (中国科学院数学与系统科学研究院 北京100080) (中国科学院科技政策与管理科学研究所 北京100080广 Abstract Mostclusteringalgorithmsaredesignedfordatabasehavingasingledatatype.Sincethe similaritymeasuresaredifferentonmeaning,function,resultdomainanddatastructureofsearchfor differentdatatypes,theycannothecombinedtogethersimplyanddirectly.丁hispaperpresentsarea- sonabledefinitionofsimilaritymeasureamongrecordswithmixedtypebasedongeometricadjacency andinformationgainandproposesagrid-basedclusteringalgorithm-GCMDtofindtheconnectedcom- ponentsfordatabasewithmixeddatatypes. Keywords Clustering.Informationgain,Mixedtypedatabase,Similaritymeasure 似性的一个重要因素是属性的类型。本文首先 1.引官 讨论了各种类型数据的相似性，给出了一种基 聚类的目的是将一组数据分组，满足最大 于几何邻接和信息增益的混合类型数据相似 的组内相似性和最小的组间相似性，近年来已 度量方法。然后，提出了一个网格聚类算法，通 被广泛地应用于相似搜索、顾客划分、模式识 过搜索连通分量发现聚类.首先把数据空间划 别、趋势分析等领域。大多数聚类算法针对数 分成网格，把对象按照空间位置映射到相应的 值型数据，把对象映射成空间中的点，对象间 单元中，并计算单元中对象的相似性。相似性 的相似性用点的几何距离来度量。对于非数值 和密度都不小于预先指定周值的单元称为密 型数据，常用的方法是把它们转换为数值型来 集单元，密集单元的连通分量构成一个聚类. 处理。如果转化后的两个点邻近，则认为它们 下面先介绍聚类研究领域的相关算法，然后分 所代表的对象也是相似的。这种方法的问题 别定义了两个混合型对象以及一组对象相似 是:首先无序的分类型属性不能转化为数值空 性的度量方法，并证明了前者是后者的特例. 间中的维，例如顾客交易、电话号码、飞机航 最后提出一个混合型对象的网格聚类算法。 班、邮政编码等。其次几何空间的各维权值相 2.相关工作 等，但实际数据库却并非如此，每个属性对相 似性的影响不同.由于现实的数据库经常同时 聚类算法大致可以分为层次算法、划分算 包含数值型和分类型的属性，因此研究混合型 法、基于密度的算法和网格算法几种.划分算 数据的聚类算法无疑是很重要的。本文的目的 法从一个初始划分开始，利用递归控制策略优 就是研究混合型数据的聚类算法。 化目标函数。每个聚类用中心G]或最接近中心 对象间的距离或相似度是聚类的核心，我 的对象表示，典型的有PAM,CLARA, 们常常按照对象之间的相似性进行划分，划分 CLARANSE等。基于密度的聚类算法把密度 的结果使某种表示聚类质量的评价函数最优。 相同的对象作为一个聚类.DBSCANI1要求给 相似性的度量方法很多，有的用于专门领域， 定半径的邻域中所包含的对象数目不小于某 也有的适用于特定类型的数据，如何选择相似 一给定值，由一个核心对象密度可达的所有对 性的度量方法是一个相当复杂的问题，选择相 象构