摘要
分类数据聚类的成功通常依赖于距离度量，这种度量用于衡量两个对象之间的差异程度。然而，现有的聚类方法往往以相同的方式处理名义属性和序数属性，忽略了序数值的相对顺序信息。此外，名义属性和序数属性之间存在相互依赖性，这一特征值得深入探讨以指示差异性。
本文从图的视角研究名义属性和序数属性值的内在差异与联系。我们提出了一种新颖的距离度量，能够以统一的方式测量名义和序数属性的内部属性距离，同时保留序数值之间的顺序关系。基于此，我们提出了一种新的聚类算法，将内部属性距离权重的学习与数据对象的划分整合为单一学习范式，而非两个独立步骤，从而避免了次优解的产生。
实验表明，与现有方法相比，所提出的算法具有更高的有效性。
博主点评： 本文提出的聚类算法通过整合名义与序数属性的距离度量，创新性地解决了传统方法的局限性。这种方法不仅提升了聚类精度，也为未来相关研究提供了新的思路，值得关注和深入探讨。