24、受限聚类综述

受限聚类综述

1. 引言

数据挖掘旨在从大型数据集中提取新的有用信息。近年来，随着海量数据集的广泛可用和计算机处理能力的提升，数据挖掘受到了科学家和社会的广泛关注。数据挖掘技术主要分为监督学习和无监督学习。

• 监督学习 ：将数据分为训练数据和测试数据，训练数据中的观测值带有期望的输出值（标签），用于构建预测测试数据输出值的函数，如分类和回归问题。不过，监督学习算法通常需要大量的训练数据集，而这些数据并非总是可用，获取成本也可能很高。
• 无监督学习 ：不依赖训练数据，而是试图在无标签数据中找到内在的“自然”结构。聚类是最著名的无监督学习问题之一，但由于缺乏引导，从数据中提取的结构可能并不总是与分析师或用户相关。

在某些情况下，数据分析师可能对数据的底层结构有先验知识。对于完全无标签或仅有少量标签的数据，监督学习技术可能并不适用。一种处理方式是忽略先验知识，直接应用无监督学习方法，但这可能导致提取出与用户无关的结构。另一种方式是半监督学习，它将先验知识融入学习过程，以提高结果的质量，这种学习方式处于完全监督学习和无监督学习的交叉领域。

在过去的二十年里，半监督聚类（也称为受限聚类或带边信息的聚类）吸引了众多研究者。研究发现，即使只有少量的先验知识，也能显著提高聚类性能并减少运行时间。

2. 无监督聚类

聚类是将无标签的观测值划分为多个组（簇），使得同一组内的观测值在某些相似性标准下彼此相似（即高簇内相似度），而与其他组的观测值不同（即高簇间相异度）。聚类的目标是根据数据分析师的目标找到有意义或有用的