知识发现是从数据集中抽取和精化新的模式的过程,基于数据库的知识发现(Knowledge Discovery in Database,KDD))是知识发现研究的主体和热点,而聚类知识发现又是知识发现的重要方面。如何有效处理巨量、高维的数据,是当前聚类分析的关键技术。本书围绕高维数据的聚类问题展开研究,在讨论高维数据相似I生尤其是高维二元数据相似性定义的基础上,提出了基于粗图模型的硬聚类和软聚类算法、高维二元数据的映射聚类算法、基于蚂蚁行为的聚类算法等,并进一步提出基于映射聚类的离群点检测方法;还特别讨论了高维聚类结果的表示方法问题,提出了应用粗糙集**表达聚类结果的方法;*后探讨了聚类知识发现数据建模的基本步骤,给出了聚类知识发现的典型应用案例。
本书学术性、知识性并重,可供从事数据仓库与数据挖掘教学、研究的师生、学者阅读,也可以为从事数据挖掘、知识发现系统等软件工程技术人员提供参考。

第1章 知识发现与KDD
1.1 知识与知识发现
1.1.1 知识
人类从工业社会向知识社会演进的同时,政治经济**从“生产”转向“发现、发明和创新”。知识正在成为创新的核心,知识创新成为知识经济发展*主要的动力源泉。知识经济对物质文明发展能够发挥巨大的推动作用,可以依靠无形资产的投入来实现可持续发展,推动全球经济一体化的进程。
在信息科学中,信息是根据表示数据所用的约定,赋予数据的意义。数据是事物、概念或指令的一种形式化表现形式,以适用于人工或自然的方式进行通信、解释或处理。而信息是数据所表达的客观事实,是数据内含的社会意义。.数据是信息的载体,信息是数据的内容。数据与具体的介质和编码方法有关。20世纪40年代,香农(Shannon)对信息的数学本质进行了研究,提出了**的Shannon信息论。他用熵的概念来研究信息的容量,采用比特作为度量信息的单位。其信息熵的研究成果至今仍在信息科学的研究中发挥着重要作用。
信息经过加工和改造形成知识。知识是人类在实践的基础上产生又经过实践检验的对客观实际的可靠反映,是人脑创新的成果,是人类智慧的结晶。智慧是人类文明的源泉,是推动历史发展的永恒动力,是生产力诸多要素的核心。
……

第1章 知识发现与KDD
1.1 知识与知识发现
1.1.1 知识
1.1.2 知识发现和KDD
1.1.3 知识发现的过程
1.2 数据库知识发现——KDD
1.2.1 KDD的产生与发展
1.2.2 KDD的一般机理和理论基础
1.2.3 KDD系统的基本框架
1.2.4 KDD的主要任务
第2章 聚类知识发现及其关键技术
2.1 聚类问题的主要方法
2.2 聚类问题的关键技术
2.2.1 数据仓库技术
2.2.2 高维聚类技术
2.3 高维聚类关键技术研究
2.3.1 高维聚类的主要算法
2.3.2 高维聚类算法的关键技术
第3章 高维数据相似性的定义
3.1 数据相似关系
3.1.1 基于距离的相似性定义
3.1.2 基于密度的相似性定义
3.1.3 基于连接的相似性定义
3.2 高维数据相似关系的定义
3.3 二元数据相似性的定义
3.3.1 属性分布特征向量
3.3.2 对象间属性分布相似性
3.4 小结
第4章 基于粗图模型的聚类算法
4.1 图论基础概念
4.2 基于图论的聚类算法
4.2.1 聚集型图论聚类
4.2.2 多层粗图法
4.2.3 基于二部图的方法
4.3 图划分的关键技术
4.3.1 图的多层二分划(Multilevel Graph Biseeti011)
4.3.2 增强谱分割算法
4.3.3 图的非平衡划分技术
4.4 多层粗图聚类算法的改进
4.4.1 聚类算法
4.4.2 图分割的精化算法
4.4.3 聚类质量评价
4.4.4 实验结果
4.4.5 算法评价
4.5 基于粗图模型的软聚类方法
4.5.1 引言
4.5.2 软聚类算法
4.5.3 基于图划分法的软聚类GPSC算法
4.5.4 实验分析
4.5.5 软聚类方法的评价
4.6 小结
第5章 高维二元数据的映射聚类算法
第6章 基于蚂蚁行为的聚类方法
第7章 高维数据空间的离群点检测方法
第8章 高维数据聚类结果的表示
第9章 聚类知识发现数据建模及应用
参考文献