一种基于加权复杂网络特征的K-means聚类算法

被引：14

作者：

赵鹏 ^{[1
]}

耿焕同 ^{[2
]}

蔡庆生 ^{[2
]}

王清毅 ^{[2
]}

机构：

[1] 安徽大学计算智能与信号处理教育部重点实验室

[2] 中国科学技术大学计算机系

来源：

计算机技术与发展 | 2007年 / 09期

关键词：

聚类; 复杂网络; 聚集度; 聚集系数;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

在分析了传统的基于划分的K-means聚类算法的优越性和存在不足的基础上,根据近两年复杂网络研究中部分新的理论成果,提出了复杂网络加权度、加权聚集度与加权聚集系数的定义,并将数据聚类转换为复杂网络上的节点聚类,提出基于加权复杂网络特征的K-means聚类算法(简称WCNFC算法)。实验结果表明,该算法根据节点加权复杂网络特征值,能够较好地找到聚类中心,有效地避免了对初始化选值敏感性的问题,从而使得聚类质量大大提高。

引用

页码：35 / 37+40 +40

页数：4

共 9 条

[1]

Data Mining:Concepts and Tech-niques. Han Jiawei,,Kamber M. . 2000

[2]

Exploring complex networks. Strogatz S H. Nature . 2001

[3]

Document Rank-ing and the Vector-Space Model. Lee D-L,,Chuang H,and Seamons K. IEEE Software . 1997

[4]

Collective dynamics of‘small-world’networks. Watts D,,Strogatz S. Nature . 1998

[5]

The structure and function of complex networks. Newman M E J. SIAM Review . 2003

[6]

Statistical mechanics of complex networks. Albert R,Barabasi A L. Reviews of Modern Physics . 2002

[7]

Studies on Complex networks and its ClusteringDegree. YAO Xin. . 2005

[8]

Clustering binery data streams with K-means. Ordonez C. ACM DKMD Workshop . 2003

[9]

Efficient disk-based K-meansclustering for relational databases. Ordonez C,Omiecinski E. IEEE Trans.Knowledgeand Data Engineering . 2004

← 1 →