摘要
M.R.Anderberg，《应用的聚类分析》。 学术出版社，纽约，纽约，1973年。 谷歌学者 
S.巴苏。 半监督聚类：概率模型、算法和实验。 德克萨斯大学奥斯汀分校博士论文，2005年。 谷歌学者 数字图书馆 
S.Basu、A.Banerjee和R.J.Mooney。 成对约束聚类的主动半监督。2004年ICDM。 谷歌学者 交叉引用 
S.Basu、M.Bilenko和R.J.Mooney。 半监督聚类的概率框架。SIGKDD’04，2004。 谷歌学者 数字图书馆 R.Bekkerman和M.Sahami。 使用组合MRF的半监督聚类。 2006年ICML-06结构化输出空间学习研讨会。 谷歌学者 K.Bennett、P.Bradley和A.Demiriz。 约束k-means聚类。技术报告2000-65，Microsoft Research，2000年5月。 谷歌学者 I.戴维森和S.拉维。 约束下的聚类：可行性结果和k-means算法。 在2005年SIAM数据挖掘会议上。 谷歌学者 I.戴维森和S.拉维。 带约束的层次聚类：理论与实践。 2005年第9届欧洲KDD原则与实践（PKDD）。 谷歌学者 数字图书馆 C.B.D.J.Newman、S.Hettich和C.Merz。 UCI机器学习数据库库，1998年。 谷歌学者 Y.Freund和R.E.Schapire。 在线学习的决策理论推广及其在助推中的应用。 计算机与系统科学杂志，55（1）：119--1391997。 谷歌学者 数字图书馆 J.Goldberger、S.T.Roweis、G.E.Hinton和R.Salakhutdinov。 邻里成分分析。 在2004年的NIPS’04中。 谷歌学者 M.Halkidi、D.Gunopulos、N.Kumar、M.Vazirgiannis和C.Domeniconi。 基于主观和客观聚类标准的半监督学习框架。2005年ICDM。 谷歌学者 数字图书馆 T.Hertz、A.Bar-Hillel和D.Weinshall。 提升基于边缘的距离函数用于聚类。2004年ICML。 谷歌学者 数字图书馆 T.Hertz、A.B.Hillel和D.Weinshall。 用小样本训练学习核函数进行分类。 在2006年6月的ICML中。 谷歌学者 数字图书馆 S.C.H.Hoi、W.Liu、M.R.Lyu和W.-Y.Ma。图像检索中带上下文约束的学习距离度量。 2006年6月CVPR。 谷歌学者 数字图书馆 A.K.Jain、M.N.Murty和P.J.Flynn。 数据聚类：综述。 ACM计算。 调查。， 31（3）：264--3231999年9月。 谷歌学者 数字图书馆 S.D.Kamvar、D.Klein和C.D.Manning。 光谱学习。 2003年3月，IJCAI。 谷歌学者 数字图书馆 D.Klein、S.D.Kamvar和C.D.Manning。 从实例级约束到空间级约束：充分利用数据聚类中的先验知识。 谷歌学者 数字图书馆 B.Kulis、S.Basu、I.Dhillon和R.Mooney。 半监督图聚类：一种核方法。 2005年ICML’05。 谷歌学者 数字图书馆 J.T.Kwok和I.W.Tsang。 用理想的内核学习。 2003年3月ICML。 谷歌学者 T.Lange、M.H.C.Law、A.K.Jain和J.M.Buhmann。 使用约束数据和未标记数据进行学习。 在CVPR'052005中。 谷歌学者 数字图书馆 M.H.C.Law、A.P.Topchy和A.K.Jain。 具有概率约束的基于模型的聚类。 2005年5月SDM。 谷歌学者 交叉引用 Z.Lu和T.Leen。 半监督学习与惩罚概率聚类。NIPS’05，2005。 谷歌学者 A.Y.Ng、M.I.Jordan和Y.Weiss。 关于谱聚类：分析和算法。 2001年NIPS’01。 谷歌学者 M.Schultz和T.Joachims。 从相对比较中学习距离度量。 2003年NIPS’03。 谷歌学者 N.Shental、A.Bar-Hillel、T.Hertz和D.Weinshall。 利用边信息计算EM的高斯混合模型。 程序中。 机器学习和数据挖掘中从标记数据到未标记数据的连续性研讨会，2003年。 谷歌学者 K.Wagstaff、C.Cardie、S.Rogers和S.Schroedl。 带背景知识的约束k-means聚类。 2001年1月ICML。 谷歌学者 数字图书馆 K.Weinberger、J.Blitzer和L.Saul。 大幅度最近邻分类的距离度量学习。 2006年NIPS’06。 谷歌学者 E.P.Xing、A.Y.Ng、M.I.Jordan和S.Russell。 远程度量学习，应用于带有副信息的集群。 2003年NIPS’03。 谷歌学者 数字图书馆 L.Yang、R.Jin、R.Sukthankar和Y.Liu。 一种有效的局部距离度量学习算法。 2006年AAAI'06。 谷歌学者 数字图书馆 Y.Yang和X.Liu。 重新审视文本分类方法。 1999年SIGIR’99。 谷歌学者 数字图书馆 Z.Zhang、J.Kwok和D.Yeung。 带标签信息的参数化距离度量学习。 2003年3月，IJCAI。 谷歌学者 数字图书馆
建议
一种基于大小不敏感积分的模糊c-均值数据聚类方法 模糊c均值（FCM）是数据聚类中最流行的技术之一。由于FCM倾向于平衡每个簇中的数据点数量，较小簇的中心被迫漂移到较大的相邻簇。 对于具有…的数据集。。。 基于成对约束的半监督减法聚类新方法 ICEICE’12:2012年第二届国际电气信息与控制工程会议记录第2卷 本文提出了一种基于成对约束的半监督减法聚类方法。 由于传统的减法聚类方法不能获得更好的聚类精度，因此一些成对约束被视为是最优的。。。 集成初始化k-Means聚类 ICMLC’19：2019年第11届机器学习和计算国际会议记录 作为最经典的聚类技术之一，k-means聚类在过去的几十年里被广泛应用于各个领域。 尽管它取得了巨大的成功，但在k-均值聚类研究中仍然存在一些具有挑战性的问题。。。
