高維數(shù)據(jù)的聚類特性通常難以直接觀測.將其構(gòu)建為復(fù)雜網(wǎng)絡(luò),節(jié)點間的拓撲結(jié)構(gòu)可以反映樣本之間的關(guān)系.對網(wǎng)絡(luò)中的節(jié)點進行社區(qū)發(fā)現(xiàn),可實現(xiàn)對數(shù)據(jù)更直觀的聚類.提出一種基于網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)的低隨機性標簽傳播聚類算法.首先,用半徑和最近鄰方法將數(shù)據(jù)集構(gòu)建為稀疏的全連通網(wǎng)絡(luò).之后,根據(jù)節(jié)點相似度進行節(jié)點標簽預(yù)處理,使得相似的節(jié)點具有相同的標簽.用節(jié)點的影響力值改進標簽傳播過程,降低標簽選擇的隨機性.最后,基于內(nèi)聚度進行社區(qū)的優(yōu)化合并,提高社區(qū)的質(zhì)量.在真實數(shù)據(jù)集和人工數(shù)據(jù)集上的實驗結(jié)果表明,該算法對各種類型的數(shù)據(jù)都具有較好的適應(yīng)性. 

【文章頁數(shù)】：9 頁

【參考文獻】：
期刊論文
[1]基于相似性度量的改進DBSCAN算法[J]. 郭艷婕,楊明,侯宇超,孟銘.  數(shù)學(xué)的實踐與認識. 2020(06)
[2]基于人工蜂群算法的自適應(yīng)譜聚類算法[J]. 胡卓婭,翁健.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2020(03)
[3]基于隨機kNN圖的批量邊刪除聚類算法[J]. 雷小鋒,陳皎,毛善君,謝昆青.  軟件學(xué)報. 2018(12)
[4]基于標簽傳播概率的重疊社區(qū)發(fā)現(xiàn)算法[J]. 劉世超,朱福喜,甘琳.  計算機學(xué)報. 2016(04)



本文編號：3693534