MSHC:一种多阶段超图聚类算法

超图作为普通图的高维推广，能够更加灵活地反映节点间的高阶复杂关系．超图聚类旨在发现超图结构中复杂的高阶关联关系．针对目前超图聚类结果不稳定、容易陷入局部最优等问题，结合超图划分思想，提出一种多阶段超图聚类（multi-stage hypergraph clustering, MSHC）算法，该算法将超图聚类过程分为超图约简、超图初始聚类以及优化迁移3个阶段．在超图约简阶段，提出一种不改变超图结构的快速约简方法，降低了后续算法的复杂度；提出基于集对分析理论的超图节点间相似性度量方法，并采用层次聚类方法对超图进行初始聚类，采用4种不同的类簇合并计算方法，增加聚类方案的多样性；将遗传算法应用于优化超图聚类方案的研究中，以此获得最优超图聚类方案．在3个不同规模的数据集上与4个经典的超图聚类方法进行对比实验，结果表明，MSHC算法在Songs＿genres数据集和Papers＿keywords数据集上超图模块度指数分别提高了0.079 7和0.077 7，在Movies＿genres数据集上仅降低0.006 0.