29、图对象半监督聚类与基于引用先验信息的主题模型研究

图对象半监督聚类与基于引用先验信息的主题模型研究

1. 图对象半监督聚类

1.1 实验设置与方法组合

在图对象半监督聚类的研究中，我们结合了不同的特征选择机制与聚类方法。采用了无监督聚类方法，如传统的 K - means（记为 KM），并将其与半监督特征选择（ssFS）和无监督特征选择（usFS）分别组合，同时还使用了半监督核 K - means（KKM）。

1.2 聚类性能实验

1.2.1 不同方法在约束数量增加时的性能比较

在第一个实验中，我们对不同方法的聚类性能进行了比较。使用两个蛋白质图数据集（聚类数 k 分别为 3 和 6），设置最小支持度 min_sup = 30%，特征数量 t = 80，冗余阈值 δ = 1.0。随着约束数量的增加，我们观察到归一化互信息（NMI）值总体呈上升趋势。其中，ssFS + KKM 取得了最高的 NMI 值，因为它在特征选择和聚类过程中都利用了监督信息。ssFS + KM 次之，这也显示了在考虑约束进行特征选择时，最优特征集的有效性。而 usFS + KKM 和 usFS + KM 的性能较差，因为特征选择步骤是无监督的。特别地，usFS + KM 的 NMI 值在增加约束数量时保持不变，因为它完全没有利用监督信息。最后，VEL 方法的性能最差，这表明子图特征比简单的标签特征更有效。

方法	特点	性能表现
ssFS + KKM	特征选择和聚类都利用监督信息