基于圖聚類的多維數(shù)據(jù)和軟件聚類研究.pdf

1、聚類作為一種無監(jiān)督的模式分類方法，在語音識別、字符識別以及數(shù)據(jù)挖掘（多關系數(shù)據(jù)挖掘）、時空數(shù)據(jù)庫應用(GIS等)、序列數(shù)據(jù)分析等領域具有廣闊的應用前景。聚類研究按照數(shù)據(jù)建模方式可分為多維空間上的聚類以及圖聚類（又稱為圖上社團發(fā)現(xiàn)）兩個主要方向。隨著各類數(shù)據(jù)規(guī)模持續(xù)增長，如何對海量的數(shù)據(jù)進行高效和有效的聚類分析是成為對多維數(shù)據(jù)的聚類研究一個巨大挑戰(zhàn)。而對于圖上的聚類而言，圖聚類的特定的應用背景以及其可視化的過程需求的多樣性是當前圖聚類在實

2、際應用中的主要挑戰(zhàn)之一。
　　針對上述挑戰(zhàn)，本文研究了在多維數(shù)值型向量數(shù)據(jù)和軟件模塊圖數(shù)據(jù)上運用圖上聚類技術實現(xiàn)高效和高質量聚類的聚類算法。主要工作分為兩大塊。
　　首先對多維空間上聚類所面臨的處理海量數(shù)據(jù)的挑戰(zhàn)，本文中提出了基于K-Means的KBAC算法，該算法采用K-Means算法作為預聚類過程，能夠自適應確定最佳聚類核數(shù)目并進行聚類。其核心思想是將樣本空間聚類問題轉換為圖上社團發(fā)現(xiàn)問題。并進一步研究了該算法在云平臺上

3、進行實現(xiàn)和優(yōu)化方案。理論和實驗證明，通過在云計算框架下優(yōu)化實現(xiàn)K-Means預聚類過程的并行化，KBAC算法能夠高效地對大規(guī)模數(shù)據(jù)進行自適應聚類，并獲得高質量的聚類結果。
　　另一方面，針對圖聚類在不同應用背景下問題的多樣性，本文探索了軟件聚類這一領域內的圖聚類。在本文中提出了基于入口和PageRank的兩階段層次聚類算法和對軟件聚類輸出的模塊的命名算法，并探索了對軟件聚類結果進行粒度可調節(jié)的動態(tài)可視化的實現(xiàn)。并基于上述算法的設計