斯蒂芬·格内曼；布里吉特·博登；托马斯·塞德尔 用特征向量在图中寻找基于密度的子空间簇。 （英语） Zbl 1260.68356号 数据最小知识。迪斯科。 第243-269号第25页（2012年）. 摘要：表示属性信息和网络信息的数据源在当今的应用中广泛可用。为了充分发挥知识提取的潜力，聚类等挖掘技术应该同时考虑这两种信息类型。最近的聚类方法将子空间聚类与稠密子图挖掘相结合，以识别属性子集相似且在网络中紧密连接的对象组。虽然这些方法成功地绕过了全空间聚类的问题，它们有限的簇定义仅限于某些形状的簇。在这项工作中，我们引入了一种基于密度的簇定义，它考虑了子空间中的属性相似性以及局部图密度，使我们能够检测任意形状和大小的簇。此外，我们通过只选择最有趣的非冗余集群来避免结果中的冗余。基于该模型，我们引入了聚类算法DB-CSC，该算法使用不动点迭代方法有效地确定聚类解。我们解析地证明了该不动点迭代的正确性和复杂性。在深入的实验中，我们证明了DB-CSC与相关方法相比的优势。 引用于1文件 MSC公司： 68吨10 模式识别、语音识别 68兰特 计算机科学中的图论（包括图形绘制） 关键词：图聚类；稠密子图；网络 软件：Inc群集；SA集群 PDF格式BibTeX公司 XML格式引用 \textit{S.Günnemann}等人，Data Min.Knowl。发现。25，编号2423-269（2012年；兹bl 1260.68356） 全文： 内政部 参考文献： [1] Aggarwal C，Wang H（2010）管理和挖掘图形数据。纽约州施普林格·Zbl 1185.68458号 [2] Agrawal R，Gehrke J，Gunopulos D，Raghavan P（1998）数据挖掘应用中高维数据的自动子空间聚类。摘自：SIGMOD，第94-105页。西雅图SIGMOD [3] Assent I，Krieger R，Müller E，Seidl T（2008）EDSC：高效基于密度的子空间聚类。In:CIKM，第1093-1102页。格拉斯哥CIKM [4] Beyer KS、Goldstein J、Ramakrishnan R、Shaft U（1999）“最近的邻居”何时有意义？In:ICDT，第217-235页。勃朗峰ICDT [5] Dorogovtsev S，Goltsev A，Mendes J（2006）《复杂网络的K核心组织》。物理评论稿96（4）：40–601·Zbl 1130.94024号 [6] Du N，Wu B，Pei X，Wang B，Xu L（2007）大型社交网络中的社区检测。在：WebKDD/SNA-KDD，第16-25页。SNA-KDD，圣何塞 [7] Ester M，Kriegel HP，S J，Xu X（1996）一种基于密度的算法，用于在带有噪声的大型空间数据库中发现簇。收录于：KDD，第226-231页。KDD，波特兰 [8] Ester M，Ge R，Gao BJ，Hu Z，Ben-Moshe B（2006）属性数据和关系数据的联合聚类分析：连通k中心问题。输入：SDM。贝塞斯达SDM [9] Günnemann S，Müller E，Färber I，Seidl T（2009）高维数据子空间中正交概念的检测。收录于：CIKM，第1317-1326页。CIKM，香港 [10] Günnemann S，Färber I，Boden B，Seidl T（2010）子空间聚类与稠密子图挖掘：两种范式的综合。收录于：ICDM，第845-850页。悉尼ICDM [11] Günnemann S，Kremer H，Seidl T（2010）不确定数据的子空间聚类。收入：SDM，第385-396页。贝塞斯达SDM [12] Günnemann S，Boden B，Seidl T（2011）DB-CSC：基于密度的方法，用于具有特征向量的图中的子空间聚类。在：ECML/PKDD（1），第565–580页。ECML，雅典 [13] Günnemann S，Färber I，Müller E，Assent I，Seidl T（2011）《子空间聚类的外部评估措施》。摘自：CIKM，第1363-1372页。格拉斯哥CIKM [14] Hanisch D、Zien A、Zimmer R、Lengauer T（2002）《生物网络和基因表达数据的协同聚类》。生物信息学18:145–154·doi:10.1093/bioinformatics/18.suppl_1.S145 [15] Hinneburg A，Keim DA（1998）在有噪声的大型多媒体数据库中进行聚类的有效方法。收录：KDD，第58–65页。纽约KDD [16] Janson S，Luczak M（2007）k核问题的简单解决方案。随机结构算法30（1-2）：50–62·Zbl 1113.05091号 ·doi:10.1002/rsa.201447 [17] Kailing K，Kriegel HP，Kroeger P（2004）高维数据的密度连通子空间聚类。收入：SDM，第246-257页。贝塞斯达SDM [18] Kriegel HP，Kröger P，Zimek A（2009）聚类高维数据：关于子空间聚类、基于模式的聚类和相关性聚类的调查。Trans-Nowl Discov数据3（1）：1–58·数字对象标识代码：10.1145/1497577.1497578 [19] Kubica J、Moore AW、Schneider JG（2003）大型链路数据集上的可牵引群检测。在：ICDM，第573–576页。悉尼ICDM [20] Long B，Wu X，Zhang ZM，Yu PS（2006）关于k部图的无监督学习。收录：KDD，第317–326页。KDD，波特兰 [21] Long B，Zhang ZM，Yu PS（2007）关系聚类的概率框架。In:KDD，第470-479页。KDD，波特兰 [22] Moise G，Sander J（2008）《在高维数据中发现非冗余的、具有统计意义的区域：投影和子空间聚类的新方法》。摘自：KDD，第533-541页。波特兰KDD [23] Moser F，Colak R，Rafiey A，Ester M（2009）利用特征向量从图中挖掘内聚模式。包含：SDM，第593-604页。贝塞斯达SDM [24] Müller E，Assent I，Günnemann S，Krieger R，Seidl T（2009）相关子空间聚类：挖掘高维数据中最有趣的非冗余概念。收录于：ICDM，第377-386页。悉尼ICDM [25] Müller E，Günnemann S，Assent I，Seidl T（2009）评估高维数据子空间投影中的聚类。包含：VLDB，第1270–1281页。VLDB，新加坡 [26] Parsons L，Haque E，Liu H（2004）高维数据的子空间聚类：综述。SIGKDD探索6（1）：90–105·Zbl 05442873号 ·数字对象标识代码：10.1145/1007730.1007731 [27] 裴J，蒋D，张A（2005）关于挖掘交叉图拟流体。在：KDD，第228–238页。KDD，波特兰 [28] 阮J，张伟（2007）网络社区发现的高效谱算法及其在生物和社会网络中的应用。收录于：ICDM，第643-648页。悉尼ICDM [29] Ulitsky I，Shamir R（2007）使用网络拓扑和高通量数据识别功能模块。BMC系统生物学1（1）：8·doi:10.1186/1752-0509-1-8 [30] Zhou Y，Cheng H，Yu JX（2009）基于结构/属性相似性的图聚类。PVLDB 2（1）：718–729 [31] Zhou Y，Cheng H，Yu JX（2010）聚类大型属性图：一种有效的增量方法。收录于：ICDM，第689-698页。悉尼ICDM 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。