王治和，常筱卿，杜 辉

（西北师范大学计算机科学与工程学院，兰州 730070）

（*通信作者电子邮箱1478448005@qq.com）

0 引言

近邻传播（Affinity Propagation，AP）算法是一种新的聚类算法［1］，与K 均值聚类（K-means）和模糊C 均值（Fuzzy CMeans，FCM）相比，不需要确定最终的簇数。聚类中心是数据集中的现有数据点，而不是生成新的簇中心。该聚类算法的最大缺点是难以获得参数（偏向参数和阻尼系数）。

为了提高AP算法的聚类效果，许多学者对该算法进行了研究。文献［2］中提出的基于自适应属性加权的近邻传播聚类（Affinity Propagation clustering algorithm based on Adaptive Feature Weight，AFW_AP）算法利用聚类对象的聚类原理和聚类间对象的耦合原理自适应地改变属性权重，以更新相似度矩阵，吸引力和隶属度；文献［3］中提出基于同类约束的半监督近邻反射传播聚类方法（Semi-supervised Affinity Propagation clustering method with Homogeneity Constraints，HCSAP），引入了类似的约束项，改善了聚类目标函数；文献［4］中使用灰狼优化算法和二分查找算法分别自适应地调整偏置参数的上限、下限和中间值；文献［5］中使用极大团和势函数计算数据样本的概率密度，并使用该概率密度作为偏向参数；文献［6］中使用二分法动态更新偏差参数并选择有效性指标的最佳结果。上述文献研究得到了较好的聚类效果，但是存在以下两点不足：1）没有考虑AP 算法不适用于稀疏数据；2）在每次迭代中，正确聚类和错误聚类的样本将出现在同一簇内中，当更新属性权重时，为同一聚类中的样本赋予相同的权重，使同一个簇内的正确聚类和错误聚类的样本更加紧密，无法获得良好的聚类群集。鉴于这两点不足，本……