基于參考點的演化聚類算法研究.pdf

1、隨著互聯(lián)網的蓬勃發(fā)展和人們采集數(shù)據(jù)能力的增強，實際生活中出現(xiàn)了越來越多的隨時間變化的數(shù)據(jù)，我們稱這類數(shù)據(jù)為演化數(shù)據(jù)(Evolutionary Data)。近年來，演化數(shù)據(jù)的聚類問題引起了很多研究者的興趣。一般地，演化聚類的要求有兩個方面:1）每個時刻發(fā)現(xiàn)的聚類結構要盡可能好地劃分當前時刻的快照數(shù)據(jù);2）每個時刻發(fā)現(xiàn)的聚類結構要盡可能保持時間平滑性，即和上個時刻相比，當前時刻發(fā)現(xiàn)的聚類結構盡量不發(fā)生太大的變化。演化數(shù)據(jù)聚類有很廣泛的應用背

2、景，其研究有著很重要的意義。
　　本文從核心節(jié)點和參考點的角度來研究演化聚類。本文的主要內容包括三個方面。
　　1)受靜態(tài)社區(qū)發(fā)現(xiàn)算法Top Leaders啟發(fā)，我們提出一個基于核心節(jié)點(LeaderNodes)的演化社區(qū)發(fā)現(xiàn)算法(EvoLeaders)。首先，我們基于結合時間信息的更新策略來得到每個時刻的初始核心節(jié)點。通過保持發(fā)現(xiàn)的初始核心節(jié)點集合與上個時刻核心節(jié)點集合的時間平滑性，來保證由這些核心節(jié)點發(fā)現(xiàn)的社區(qū)跟以前的結

3、構盡量保持平滑。然后，通過一組分裂合并操作提高社區(qū)質量。在兩個實際數(shù)據(jù)集上的實驗結果表明，EvoLeaders算法比Top Leaders算法效果更好。該工作表明了從核心節(jié)點的角度進行演化社區(qū)發(fā)現(xiàn)的可行性。
　　2) Top Leaders算法的主要缺點是需要人工輸入社區(qū)數(shù)目?；诰W絡中每個節(jié)點與其鄰居節(jié)點之間度的關系，以及節(jié)點之間共同鄰居的重疊程度，我們改進了Top Leaders算法，并提出了能夠自動發(fā)現(xiàn)社區(qū)數(shù)目的AutoLe

4、aders算法。在三個經典數(shù)據(jù)集上的實驗結果表明，AutoLeaders算法不僅能夠發(fā)現(xiàn)合理的社區(qū)數(shù)目，還能夠發(fā)現(xiàn)合理的社區(qū)結構。進一步，基于兩種時間平滑性策略，我們提出了在動態(tài)網絡中發(fā)現(xiàn)社區(qū)的新的解決方案，即EvoAutoLeaders算法。在兩個實際數(shù)據(jù)集上的結果表明EvoAutoLeaders算法的效果比較好。
　　3)我們從參考點的角度來處理演化聚類問題。首先，我們引入了三種不同的參考點，以及相應的計算個體到參考點距離的策