關聯(lián)數(shù)據(jù)聚類：模型、算法及應用

目錄
《信息科學技術學術著作叢書》序
作者中文版序
前言
第一部分引言
第1章引言3
1.1研究領域3
1.2本書的內容和組織5
1.3本書的讀者7
1.4進一步的閱讀7
第二部分模型
第2章集體聚類11
2.1引言11
2.2相關工作12
2.3模型建立和分析13
2.3.1塊值分解13
2.3.2NBVD方法15
第3章異質關聯(lián)數(shù)據(jù)聚類18
3.1引言18
3.2相關工作19
3.3關聯(lián)摘要網(wǎng)絡模型20
第4章同質關聯(lián)數(shù)據(jù)聚類24
4.1引言24
4.2相關工作26
4.3圖逼近的社區(qū)學習27
第5章一般關聯(lián)數(shù)據(jù)聚類32
5.1引言32
5.2相關工作33
5.3混合成員關聯(lián)聚類34
5.4譜關聯(lián)聚類36
第6章多視圖關聯(lián)數(shù)據(jù)聚類38
6.1引言38
6.2相關工作40
6.3背景和模型公式40
6.3.1多視圖非監(jiān)督學習的一般模型41
6.3.2多視圖聚類和多視圖譜嵌入43
第7章演化數(shù)據(jù)聚類45
7.1引言45
7.2相關工作46
7.3狄利克雷過程混合鏈48
7.4HDP演化聚類模型50
7.4.1HDP-EVO表示50
7.4.2對HDP-EVO的雙等級CRP51
7.5無限層次隱馬爾可夫狀態(tài)模型52
7.5.1iH2MS的描述52
7.5.2iH2MS的擴展54
7.5.3HTM的最大似然估計54
7.6包含有HTM的HDP(HDP-HTM)55
第三部分算法
第8章集體聚類61
8.1非負塊值分解算法61
8.2證明NBVD算法的正確性63
第9章異質關聯(lián)數(shù)據(jù)聚類66
9.1關聯(lián)摘要網(wǎng)絡算法66
9.2聚類方法的統(tǒng)一71
9.2.12部譜圖分割71
9.2.2有特征減少的二進制數(shù)據(jù)聚類72
9.2.3信息理論的集體聚類72
9.2.4K均值聚類73
第10章同質關聯(lián)數(shù)據(jù)聚類74
10.1硬CLGA算法74
10.2軟CLGA算法75
10.3平衡CLGA算法79
第11章一般關聯(lián)數(shù)據(jù)聚類81
11.1混合成員關聯(lián)聚類算法81
11.1.1有指數(shù)族的MMRC81
11.1.2蒙特卡洛E步83
11.1.3M步83
11.1.4硬MMRC算法86
11.2譜關聯(lián)聚類算法88
11.3對聚類的一個統(tǒng)一觀點91
11.3.1半監(jiān)督聚類91
11.3.2集體聚類92
11.3.3圖聚類93
第12章多視圖關聯(lián)數(shù)據(jù)聚類95
12.1算法推導95
12.1.1多視圖聚類算法95
12.1.2多視圖譜嵌入算法97
12.2擴展和討論99
12.2.1演化聚類99
12.2.2有補充信息的非監(jiān)督學習100
第13章演化數(shù)據(jù)聚類101
13.1DPChain推理101
13.2HDP-EVO推理102
13.3HDP-HTM推理104
第四部分應用
第14章集體聚類109
14.1數(shù)據(jù)集和實現(xiàn)細節(jié)109
14.2評價指標110
14.3結果和討論110
第15章異質關聯(lián)數(shù)據(jù)聚類114
15.1數(shù)據(jù)集和參數(shù)設置114
15.2結果和討論117
第16章同質關聯(lián)數(shù)據(jù)聚類119
16.1數(shù)據(jù)集和參數(shù)設置119
16.2結果和討論120
第17章一般關聯(lián)數(shù)據(jù)聚類123
17.1圖聚類123
17.2雙聚類和三聚類124
17.3關于演員-電影數(shù)據(jù)的案例研究126
17.4譜關聯(lián)聚類應用127
17.4.1在雙類型的關聯(lián)數(shù)據(jù)上聚類127
17.4.2在三種類型關聯(lián)數(shù)據(jù)上聚類129
第18章多視圖和演化數(shù)據(jù)聚類132
18.1多視圖聚類132
18.1.1合成數(shù)據(jù)132
18.1.2真實的數(shù)據(jù)134
18.2多視圖譜嵌入135
18.3半監(jiān)督聚類137
18.4演化聚類138第五部分總結
第19章總結143
參考文獻146