22、信息论聚合协同聚类与网络欺凌半监督检测

信息论聚合协同聚类与网络欺凌半监督检测

信息论聚合协同聚类

在数据处理和分析领域，协同聚类是一项重要的技术，它能同时对数据的行和列进行聚类，从而发现数据中的潜在结构。下面将详细介绍基于信息论目标的协同聚类方法，以及它在合成数据集和真实数据集上的表现。

合成数据集实验

为了评估协同聚类算法的性能，研究人员创建了合成数据集。具体的数据生成方案有两种：
- 方案一 ：固定聚类大小 ( s )，增加聚类数量 ( k ) 以得到更大的图。
- 方案二 ：固定聚类数量，增加聚类大小以获得不同规模的图。

生成的矩阵具有对角强的特点，即对角块的密度为 ( p )，非对角块全为零。之后，通过在原始矩阵的随机位置添加 ( \beta ) 比例的非零元素来引入随机噪声，以研究不同噪声水平对聚类性能的影响。

研究人员创建了两种类型的合成图：
- CAVE1 图 ：( s = 500 )，( 2 \leq k \leq 11 )，( p = 0.9 )，( \beta = {0.1, 0.2, 0.3, 0.4} )，共得到 4 组 10 个不同大小的图，每组图具有不同的噪声水平。
- CAVE2 图 ：( s = 50t )，( 1 \leq t \leq 10 )，( k = 10 )，( p ) 和 ( \beta ) 与 CAVE1 图相同，同样得到 40 个图。

表 1 展示了噪声为 40% 时最大的 CAVE1 和 CAVE2 图的数据集统计