[发明专利]动态数据聚类算法

权利要求书

1.动态数据聚类算法，其特征在于包括如下步骤：

1)选择一个关系网络，对关系网络内的n个动态关系数据进行预处理，用带权值的无向图表征，边的权重代表网络中结点间相似程度，权重越大，相似性越大；

2)对一定连续时间内变化的动态关系网络数据，以相同的时间间隔采集T个时间点的离散数据来拟合连续时间数据，每个时间点数据表示为无向图的网络形式，然后将无向图以关系矩阵的形式表示；

3)对步骤2)中得到的关系矩阵进行分解，建立一种基于矩阵分解的全局代价函数，采用循环迭代加载更新代价函数，求得最优解，修正聚类结果。

2.如权利要求1所述的动态数据聚类算法，其特征在于步骤2)中采集T个时间点的离散数据来拟合连续时间数据，将每个时间点数据表示为无向图的网络形式，边的权重代表网络中结点间的相似程度，权重越大，相似性越大，然后将无向图以关系矩阵的形式来表示，得到一系列的关系矩阵序列A₁，...，A_t，...A_T，A_t代表t时刻的n×n关系矩阵，n是结点数目。

3.如权利要求1所述的动态数据聚类算法，其特征在于步骤3)中所述的全局代价函数包括现时数据代价函数和历史数据与现时关联信息产生的代价函数。

4.如权利要求2所述的动态数据聚类算法，其特征在于对某一t时刻的数据A_t利用矩阵分解的方法得到聚类矩阵：其中C₁，...，C_t表示在相应时刻聚类后得到的类矩阵，C_t∈{0，1}^n×k，∑_jC_i，j＝1，k是总共的类数，C_i，j＝1表示结点i经过聚类后成为第j类的元素，每个结点在每个时间点只能被隶属于一个类，即∑_jC_i，j＝1，B₁，...，B_t表示对应时刻的类间关系矩阵，B_i，j表示i类与j类的权重关系，分解的结果使原有数据不失真，即

5.如权利要求3或4所述的动态数据聚类算法，其特征在于所述的全局代价函数的建立方法如下：全局代价函数包含两部分，一部分为现时数据的聚类的代价函数，表示为Cost_snapshot，另一部分为历史数据与现时关联信息产生的代价函数，表示为Cost_history；

首先，考虑现时数据的聚类，Cost_snapshot用来衡量每一时刻数据的聚类结果：

F1:Costsnapshot=minΣt=1T||At-At*||2=minΣt=1T||At-CtBt(Ct)T||2]]>

F₁式得到的C₁，...，C_T和B₁，...，B_T要满足这样对原始数据进行分解后，可以利用分解结果恢复原始数据，保证了原始数据完整性；

然后，考虑历史数据与现时关联信息产生的代价，定义下式：

F2:Costhistory=minΣt=2T||CtCtT-Ct-1Ct-1T||2]]>

最后，建立全局代价函数：

F3:Costglobal=minΣt=1T||At-CtBtCtT||2-α×Σt=2T||CtCtT-Ct-1Ct-1T||2]]>

其中α为F₁和F₂之间权重，α越大，说明越多的权重用于匹配聚类结果的历史信息。