基于密度峰值的聚类算法优化与应用研究.pdfVIP

基于密度峰值的聚类算法优化与应用研究

摘要

在如今的互联网时代，从海量数据中提取有价值的信息，探究网络舆论生成

和演变的规律对现实生活有着重要意义。数据挖掘就是从海量且有噪声的数据中

提取潜在的价值信息的过程，聚类分析是数据挖掘的核心方法，其目标在于将数

据依据相似性分组，揭露数据内在的联系和规律。2014年提出的密度峰值聚类算

法（DPC）由于其原理简单、易于实现、能识别任意形状簇等优势而被广泛应用。

但任何聚类算法都难以解决所有聚类问题，因此本文针对DPC的局限性进行创新

性改进，并将改进后的聚类算法应用于网络圈层舆论生成中，具体研究内容如下：

（1）针对DPC因构建全局样本点间的相似度矩阵，而导致时间开销过大的

问题，提出了一种基于空间向量搜索的密度峰值聚类算法（VS-DPC）。该算法首

先，在n维正交坐标系中将数据点映射为以原点为起点的空间向量，计算向量的

模和与统一坐标轴正方向间的夹角；其次，利用截断距离和截断映射角确定相似

范围搜索相似向量；最后，利用相似向量确定有效密度点从而构建稀疏相似度矩

阵，降低时间复杂度。在14个数据集上与三种算法的对比实验，结果表明所提算

法聚类效率最优，相较DPC算法减少了约60%的时间开销。

（2）针对DPC存在假设与实现间不一致和假设不适用的问题，提出一种结

合混合密度和局部结构的密度峰值聚类算法（HS-DPC）。该算法首先，利用相对

密度和绝对密度，提出混合密度计算公式，消除DPC假设中心点为局部峰值但算

法实现是全局峰值间的不一致。其次，根据局部结构重新定义数据点之间的相似

性，从而适应形状复杂数据。最后，对中心点依据相似性传递，搜索有效数据形

成簇的主干结构，对剩余点结合不同簇的主干点分布进行最优分配，从而隔绝连

锁反应完成边界聚类。通过在16个数据集上与五种聚类算法的对比实验，结果表

明了所提算法的有效性和鲁棒性。

（3）将上文所提出的VS-DPC算法和HS-DPC算法应用于网络圈群舆论生成

中。首先，采用改进的协同过滤推荐算法，将相同爱好、行为特征的群体定义不

同的网络圈群。其次，以网络圈群为对象利用所提算法对网络圈群的舆论数据进

行聚类分析，最后，结合中心圈群和舆论场中高低舆论圈群的分布情况，构建舆

论演化指标来反映舆论出现、爆发、高潮、回落等重要节点，从而针对不同节点

采取策略达到对网络舆论场调控的目的。

关键词：密度峰值聚类，混合密度，稀疏矩阵，舆论生成

OptimizationandApplicationResearchofClustering

AlgorithmBasedonDensityPeak

ABSTRACT

IntodaysInternetera,extractingvaluableinformationfrommassivedataand

exploringthelawsofonlineopiniongenerationandevolutionareofgreatsignificance

toreallife.Dataminingistheprocessofextractingpotentiallyvaluableinformation

frommassiveandnoisydata,andclusteringanalysisisthecoremethodofdatamining,

thegoalofwhichistogroupdataaccordingtosimilarityandrevealtheintrinsic

connectionsandpatternsofdata.2014proposeddensitypeakclusteringalgorithm

(DPC)iswidelyusedbecauseofitssimpleprinciple,ea