基于簇间相似度快速传播的增强集成聚类

集成聚类一直是数据挖掘与机器学习中的热门研究课题。尽管近年来取得了显著进展，当前的集成聚类研究仍存在两个挑战性问题。首先，现有多数算法倾向于在对象层面考察集成信息，往往缺乏在更高粒度层次上探索丰富信息的能力。其次，它们大多关注多个基聚类中的直接连接（如直接交集或成对共现），而普遍忽视了其中隐藏的多尺度间接关系。为解决这两个问题，本文提出一种基于随机游走的簇间相似度快速传播的新型集成聚类方法。我们首先构建簇相似度图，以基簇为图节点，并利用簇间 Jaccard 系数计算初始边权。在构建的图上定义转移概率矩阵，并基于该矩阵进行随机游走以传播图结构信息。具体而言，通过考察从不同节点出发的传播轨迹，可考虑轨迹关系导出新的簇间相似度矩阵。随后，将新获得的簇间相似度矩阵从簇层面映射到对象层面，得到增强共关联（ECA）矩阵，该矩阵能够同时捕捉集成中的对象间共现关系与多尺度簇间关系。最后，提出两种新型一致性函数以获得一致性聚类结果。在多个真实数据集上的大量实验证明了我们方法的有效性与高效性。