数据挖掘中几种划分聚类算法的比较及改进.pdf

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF ）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF 算法在推荐结果和推荐精度上具有一定的优越性。

复杂网络中Newman提出的GN算法，算法思想删除网络中边介数最大的边从而把网络划分为社团，算法的主要缺点算法的时间复杂度很高

K-medoids:K-中心点算法 不采用聚类中对象的平均值作为参照点，而是选用聚类中位置最中心的对象，即中心点（medoid）作为参照点 首先随机选择k个对象作为中心，把每个对象分配给离它最近的中心 然后随机地选择一个非中心对象替换中心对象，计算分配后的距离改进量。聚类的过程就是不断迭代，进行中心对象和非中心对象的反复替换过程，直到目标函数不再有改进为止。