基于局部引力模型的聚类算法研究综述

局部引力模型(Local Gravitation Model,LGM)是2018年提出的用于数据聚类的方法,其区别于传统引力聚类模型之处在于计算局部中心量度的过程中同时使用了局部引力合力的模长和方向信息。近年来,研究人员针对局部引力模型进行了改进泛化,提出了一系列新型聚类算法。笔者就局部引力聚类算法的发展趋势进行综述,对相关研究方向作展望。

基于局部引力和距离的聚类算法

密度峰值聚类(DPC)算法对于密度多样、形状复杂的数据集不能准确选择聚类中心,同时基于局部引力的聚类(LGC)算法参数较多且需要手动调参。针对这些问题,提出了一种基于局部引力和距离的聚类算法(LGDC)。首先,利用局部引力模型计算数据点的集中度(CE),根据集中度确定每个数据点与高集中度的点之间的距离;然后,选取具有高集中度值和高距离值的数据点作为聚类中心;最后,基于簇的内部点集中度远高于边界点的集中度的思想,分配其余数据点,并且利用平衡k近邻实现参数的自动调整。实验结果表明,LGDC在4个合成数据集上取得了更好的聚类效果;且在Wine、SCADI、Soybean等真实数据集上,LGDC的调整兰德系数(ARI)指标相较DPC、LGC等算法平均提高了0.1447。