基于膜系統(tǒng)的多關(guān)系聚類算法的研究與應(yīng)用.pdf

1、膜系統(tǒng)是自然計(jì)算領(lǐng)域中的一個年輕的分支，受器官、組織、細(xì)胞及其他生物構(gòu)造中化學(xué)元素處理方法的啟發(fā)而從中抽象出的分布式并行計(jì)算模型。由于具有并行性強(qiáng)、容錯性強(qiáng)和分布式等特性，膜系統(tǒng)在眾多領(lǐng)域得到了普遍的應(yīng)用，并且已經(jīng)解決了眾多的現(xiàn)實(shí)問題。
　　傳統(tǒng)的聚類方法通常假設(shè)數(shù)據(jù)之間是相互獨(dú)立的，然而，現(xiàn)在大部分的應(yīng)用數(shù)據(jù)存儲在關(guān)系數(shù)據(jù)庫以多關(guān)系的形式。傳統(tǒng)的聚類方法已不再能滿足現(xiàn)在應(yīng)用數(shù)據(jù)的要求，本文針對多關(guān)系聚類存在聚類質(zhì)量差和聚類效率低

2、的問題，展開了深入的研究。
　　本文以膜系統(tǒng)為基礎(chǔ)模型，首先提出了一種初始中心選取的方法對K-means聚類算法進(jìn)行優(yōu)化改進(jìn)，然后在此基礎(chǔ)上提出了兩種高效的多關(guān)系聚類算法，并將提出的算法應(yīng)用于協(xié)同過濾推薦系統(tǒng)：
　?。?）基于初始聚類中心優(yōu)化的K-means算法(OIK-means算法)。該算法首先根據(jù)相似性計(jì)算每個對象的密度，然后通過計(jì)算對象與任意高密度對象的最小距離來篩選候選中心，接著通過平均密度來排除離群點(diǎn)，最后確定K

3、初始中心點(diǎn)。OIK-means算法在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上進(jìn)行測驗(yàn)，并與傳統(tǒng)的K-means算法在初始中心選取的準(zhǔn)確性上進(jìn)行了對比。
　　（2）基于綜合相似性的多關(guān)系聚類算法(ISMC)。算法使用元組ID傳播的思想，為關(guān)系數(shù)據(jù)庫中的每個表設(shè)置一個權(quán)重，對傳統(tǒng)的相似性計(jì)算進(jìn)行改進(jìn)，按照一定的權(quán)重把對象的類內(nèi)相似性和類外相似性整合成綜合相似性，基于綜合相似性對目標(biāo)表中的對象進(jìn)行OIK-means聚類。ISMC算法在UCI數(shù)據(jù)集Mo

4、vie上進(jìn)行了測驗(yàn)，并與TPC、ReCOM、LinkClus算法進(jìn)行了比較。
　　（3）基于膜系統(tǒng)的遺傳K-means多關(guān)系聚類算法(GKM)。算法從膜系統(tǒng)與多關(guān)系聚類算法相結(jié)合的新角度出發(fā)，設(shè)計(jì)了由三個細(xì)胞組成的進(jìn)化-交流組織型P系統(tǒng)，并在三個細(xì)胞中使用了三種不同的遺傳進(jìn)化機(jī)制，這種混合遺傳機(jī)制能夠改善算法的收斂性和增強(qiáng)對象的多樣性，使多關(guān)系數(shù)據(jù)集能有一個準(zhǔn)確的聚類。GKM算法在UCI數(shù)據(jù)集Movie上進(jìn)行了測驗(yàn)，并與ReCOM