An Extension of Self-Organizing Maps to Categorical Data

Self-organizing maps (SOM) have been recognized as a powerful tool in data exploratoration, especially for the tasks of clustering on high dimensional data. However, clustering on categorical data is still a challenge for SOM. This paper aims to extend standard SOM to handle feature values of categorical type. A batch SOM algorithm (NCSOM) is presented concerning the dissimilarity measure and update method of map evolution for both numeric and categorical features simultaneously.

离散数据上的非监督数据挖掘算法研究

离散属性数据是数据挖掘中的一类重要数据，而非监督学习，是数据挖掘采用的一类关键方法。 本文针对多种类型的离散数据，包括文本数据，时序离散序列数据和多维离散数据， 研究若干新的非监督数据挖掘算法。主要内容包括： 多文集文本的主题建模 将 LDA 应用于多文集数据，提出了多文集文本上的主题建模方法 C-LDA。 在 C-LDA 中，主题信息可以在各个文集间传递，因此也可以将其看作一种基于传递学习的方法。 正是基于文集间的信息传递，C-LDA 更进一步克服了 LDA 模型在单文集文本数据上存在的过拟合现象。 此外，所提出的模型，还可以作为有监督的主题模型。通过大型多文集数据集，我们验证了该模型的有效性。 时序离散序列的主题建模 将 LDA 应用于时序离散序列数据，提出了 T-BiLDA 模型。在 T-BiLDA 模型中，我们提出了全局转移概率这一全新的概念。 基于该概念，T-BiLDA 模型将现有工作中的全局信息、局部信息和时序信息集成于同一个模型。在实际的入侵检测数据上取得了更好的效果。 多维离散数据的聚类分析 我们提出了将多维离散数据映射到空间数据的框架 R-map。使得现有的空间数据聚类算法可直接应用于映射后的数据。 我们从理论上证明了映射中能保持数据的聚类性质，并从实验上验证了 R-map的有效性。