52、受限聚类：现状与新趋势

受限聚类：现状与新趋势

1. 引言

监督学习方法一直是人工智能解决方案的核心，长期以来证明了其可行性。“大数据”现象，即可用数据量的巨大增长，加上计算能力的提升，使得深度学习等神经元方法得以复兴。这些方法在图像分析和理解等领域取得了显著成果，迅速推广到决策辅助和决策制定等相关领域。

然而，这些方法存在一些缺点。一方面，学习过程的“黑箱”特性和模型性质（如具有学习权重的网络）使专家难以理解和解释，提取可复用或可转移的知识并应用于其他领域仍是一个挑战。另一方面，这些方法依赖于用户和/或领域专家提供的学习和验证数据，且这些数据需完全代表潜在概念和数据分布。创建这样的学习集非常耗时，尽管众包等方法可缓解这一问题，但创建学习集意味着问题可被形式化且感兴趣的对象可被定义，这在现实中往往不成立，导致算法容易出错。

这些问题促使了无监督方法的发展，无监督知识发现是数据挖掘的核心，尤其是聚类。实验表明，聚类方法能够从大量异构数据中提取有意义的簇，而无需额外的先验信息。但由于主题类别的缺乏形式化和缺乏真实参考数据，难以准确评估结果的质量，专家无法直接验证和修改簇。因此，需要重新思考和改进聚类过程，使结果更符合专家的主题“直觉”。

聚类过程本质上是无监督的，缺乏监督时，聚类算法常产生不相关的解决方案。近期研究聚焦于利用背景知识或专家知识指导聚类过程，以避免误判随机或无意义数据中的模式。为了减少专家干预，理想的解决方案是将专家知识转化为可操作的约束。目前提出了三种与应用领域无关的知识表示形式：
- 对象间的约束（比较约束），如必须链接（must - link）和不能链接（cannot - link）关系。
- 使用带标签的对象（标签约束），直接对应领域知识。
-