.316. 智能系统学报 第11卷 表48个算法在人工数据集的对比 Table4 Comparison of 8 algorithms on artificial data sets 算法 数据集 评价指标 LSSMTC Co-Clustering FPCM TSC T-GIFP-FCM SS-FPCM TSS-FPCM ITSS-FPCM F-measure 0.6834 0.6648 0.63310.7688 0.6956 0.6984 0.7187 0.7336 RI 0.5585 0.5550 0.52410.6450 0.5770 0.5750 0.5958 0.6095 sciSet1 AC 0.8165 0.6675 0.75000.7700 0.6975 0.6950 0.7200 0.7350 NMI 0.1341 0.1021 0.11890.2923 0.1483 0.1098 0.1342 0.1564 F-measure 0.6867 0.6394 0.69800.8827 0.8907 0.8311 0.8469 0.9158 RI 0.5803 0.5395 0.57690.7921 0.8037 0.7204 0.7409 0.8440 rec vs talk AC 0.7053 0.6425 0.6975 0.8825 0.8900 0.8325 0.8475 0.9150 NMI 0.1769 0.0871 0.09930.4637 0.4873 0.3492 0.3750 0.5748 F-measure 0.6427 0.6139 0.47870.8554 0.8897 0.8214 0.8253 0.8858 RI 0.7828 0.7473 0.6825 0.9070 0.9299 0.8845 0.8884 0.9300 TDT2 AC 0.6983 0.7133 0.60830.8633 0.8967 0.8333 0.8350 0.8883 NMI 0.5426 0.5750 0.39800.7535 0.8093 0.7199 0.7217 0.8298 F-measure 0.7101 0.6840 0.6361 0.8247 0.8533 0.8121 0.8178 0.8608 RI 0.8125 0.7153 0.66200.8419 0.8658 0.8323 0.8376 0.8709 Reuters-21578 AC 0.8200 0.7275 0.71910.8300 0.8550 0.8150 0.8200 0.8650 NMI 0.5662 0.5052 0.44850.6590 0.6430 0.6162 0.62420.7076 4 结束语 mathematics and information sciences,2014,8(4):2033- 2040 本文将半监督学习思想应用到FPCM算法上， [3]DAI Wenyuan,XUE Guirong,YANG Qiang,et al.Co- 提出半监督SS-FPCM算法：迁移学习方面对算法进 clustering based classification for out-of-domain documents 行非负迁移改进，得到TSS-FPCM算法，再利用“代 [C]//Proceedings of the 13th ACM SIGKDD Tinternational Conference on Knowledge Discovery and Data Mining.San 表点”代替原始数据提出了改进的半监督的迁移聚 Jose,California,USA,2007:210-219. 类算法TSS-FPCM。在多种数据集上的实验验证表 [4]DAI Wenyuan,YANG Qiang,XUE Guirong,et al.Self- 明，TSS-FPCM算法在性能上要好于SS-FPCM算法 taught clustering[C]//Proceedings of the 25th International 与TSS-FPCM算法。在数据量不足、数据被污染的 Conference on Machine Learning.Helsinki,Finland,, 情况下，TSS-FPCM算法能够提升聚类的性能：算法 2008:200-207. 在源数据与目标数据相关不大时效果一般，下一步 [5]SAMANTA S,SELVAN A T,DAS S.Cross-domain cluste- 研究将会提取其他相关信息改善聚类性能，同时考 ring performed by transfer of knowledge across domains 虑参数的优化问题。 [C]//Proceedings of the 4th National Conference on Pat- tern Recognition,Image Processing and Graphics 参考文献： (NCVPRIPG).Jodhpur,India,2013:1-4. [6]DAI Wenyuan,XUE Guirong,YANG Qiang,et al.Trans- [1]庄福振，罗平，何清，等.迁移学习研究进展[J].软件 ferring naive Bayes classifiers for text classification[C]/ 学报，2015,26(1)：26-39. Proceedings of the 22nd National Conference on Artificial ZHUANG Fuzhen,LUO Ping,HE Qing,et al.Survey on Intelligence.Vancourver,British Columbia,Canada,2007, transfer learning research[]].Journal of software,2015,26 1:540-545. (1):26-39. [7]LIAO Xuejun,XUE Ya,CARIN L.Logistic regression with [2]WEI Fengmei,ZHANG Jianpei,CHU Yan,et al.FSFP: an auxiliary data source[C]//Proceedings of the 22nd In- transfer learning from long texts to the short[J].Applied ternational Conference on Machine Leaming.New York,表 ４ ８ 个算法在人工数据集的对比 Ｔａｂｌｅ４ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ８ ａｌｇｏｒｉｔｈｍｓ ｏｎ ａｒｔｉｆｉｃｉａｌ ｄａｔａ ｓｅｔｓ 数据集 评价指标 算法 ＬＳＳＭＴＣ Ｃｏ⁃Ｃｌｕｓｔｅｒｉｎｇ ＦＰＣＭ ＴＳＣ Ｔ⁃ＧＩＦＰ⁃ＦＣＭ ＳＳ⁃ＦＰＣＭ ＴＳＳ⁃ＦＰＣＭ ＩＴＳＳ⁃ＦＰＣＭ ｓｃｉＳｅｔ１ Ｆ⁃ｍｅａｓｕｒｅ ０．６８３ ４ ０．６６４ ８ ０．６３３ １ ０．７６８ ８ ０．６９５ ６ ０．６９８ ４ ０．７１８ ７ ０．７３３ ６ ＲＩ ０．５５８ ５ ０．５５５ ０ ０．５２４ １ ０．６４５ ０ ０．５７７ ０ ０．５７５ ０ ０．５９５ ８ ０．６０９ ５ ＡＣ ０．８１６ ５ ０．６６７ ５ ０．７５０ ０ ０．７７０ ０ ０．６９７ ５ ０．６９５ ０ ０．７２０ ０ ０．７３５ ０ ＮＭＩ ０．１３４ １ ０．１０２ １ ０．１１８ ９ ０．２９２ ３ ０．１４８ ３ ０．１０９ ８ ０．１３４ ２ ０．１５６ ４ ｒｅｃ ｖｓ ｔａｌｋ Ｆ⁃ｍｅａｓｕｒｅ ０．６８６ ７ ０．６３９ ４ ０．６９８ ０ ０．８８２ ７ ０．８９０ ７ ０．８３１ １ ０．８４６ ９ ０．９１５ ８ ＲＩ ０．５８０ ３ ０．５３９ ５ ０．５７６ ９ ０．７９２ １ ０．８０３ ７ ０．７２０ ４ ０．７４０ ９ ０．８４４ ０ ＡＣ ０．７０５ ３ ０．６４２ ５ ０．６９７ ５ ０．８８２ ５ ０．８９０ ０ ０．８３２ ５ ０．８４７ ５ ０．９１５ ０ ＮＭＩ ０．１７６ ９ ０．０８７ １ ０．０９９３ ０．４６３ ７ ０．４８７ ３ ０．３４９ ２ ０．３７５ ０ ０．５７４ ８ ＴＤＴ２ Ｆ⁃ｍｅａｓｕｒｅ ０．６４２７ ０．６１３ ９ ０．４７８ ７ ０．８５５ ４ ０．８８９７ ０．８２１ ４ ０．８２５ ３ ０．８８５ ８ ＲＩ ０．７８２ ８ ０．７４７ ３ ０．６８２ ５ ０．９０７ ０ ０．９２９９ ０．８８４ ５ ０．８８８ ４ ０．９３０ ０ ＡＣ ０．６９８ ３ ０．７１３ ３ ０．６０８ ３ ０．８６３ ３ ０．８９６７ ０．８３３ ３ ０．８３５ ０ ０．８８８ ３ ＮＭＩ ０．５４２ ６ ０．５７５ ０ ０．３９８ ０ ０．７５３ ５ ０．８０９３ ０．７１９ ９ ０．７２１ ７ ０．８２９ ８ Ｒｅｕｔｅｒｓ⁃２１５７８ Ｆ⁃ｍｅａｓｕｒｅ ０．７１０ １ ０．６８４ ０ ０．６３６１ ０．８２４ ７ ０．８５３３ ０．８１２ １ ０．８１７ ８ ０．８６０ ８ ＲＩ ０．８１２ ５ ０．７１５ ３ ０．６６２０ ０．８４１ ９ ０．８６５８ ０．８３２ ３ ０．８３７ ６ ０．８７０ ９ ＡＣ ０．８２０ ０ ０．７２７ ５ ０．７１９ １ ０．８３０ ０ ０．８５５０ ０．８１５ ０ ０．８２０ ０ ０．８６５ ０ ＮＭＩ ０．５６６ ２ ０．５０５ ２ ０．４４８ ５ ０．６５９ ０ ０．６４３０ ０．６１６ ２ ０．６２４ ２ ０．７０７ ６ ４ 结束语 本文将半监督学习思想应用到 ＦＰＣＭ 算法上， 提出半监督 ＳＳ⁃ＦＰＣＭ 算法；迁移学习方面对算法进 行非负迁移改进，得到 ＴＳＳ⁃ＦＰＣＭ 算法，再利用“代 表点”代替原始数据提出了改进的半监督的迁移聚 类算法 ＩＴＳＳ⁃ＦＰＣＭ。 在多种数据集上的实验验证表 明，ＩＴＳＳ⁃ＦＰＣＭ 算法在性能上要好于 ＳＳ⁃ＦＰＣＭ 算法 与 ＴＳＳ⁃ＦＰＣＭ 算法。 在数据量不足、数据被污染的 情况下，ＩＴＳＳ⁃ＦＰＣＭ 算法能够提升聚类的性能；算法 在源数据与目标数据相关不大时效果一般，下一步 研究将会提取其他相关信息改善聚类性能，同时考 虑参数的优化问题。 参考文献： ［１］庄福振， 罗平， 何清， 等． 迁移学习研究进展［ Ｊ］． 软件 学报， ２０１５， ２６（１）： ２６⁃３９． ＺＨＵＡＮＧ Ｆｕｚｈｅｎ， ＬＵＯ Ｐｉｎｇ， ＨＥ Ｑｉｎｇ， ｅｔ ａｌ． Ｓｕｒｖｅｙ ｏｎ ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ ｒｅｓｅａｒｃｈ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｓｏｆｔｗａｒｅ， ２０１５， ２６ （１）： ２６⁃３９． ［２］ ＷＥＩ Ｆｅｎｇｍｅｉ， ＺＨＡＮＧ Ｊｉａｎｐｅｉ， ＣＨＵ Ｙａｎ， ｅｔ ａｌ． ＦＳＦＰ： ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ ｆｒｏｍ ｌｏｎｇ ｔｅｘｔｓ ｔｏ ｔｈｅ ｓｈｏｒｔ ［ Ｊ］． Ａｐｐｌｉｅｄ ｍａｔｈｅｍａｔｉｃｓ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｓｃｉｅｎｃｅｓ， ２０１４， ８（４）： ２０３３⁃ ２０４０． ［３］ ＤＡＩ Ｗｅｎｙｕａｎ， ＸＵＥ Ｇｕｉｒｏｎｇ， ＹＡＮＧ Ｑｉａｎｇ， ｅｔ ａｌ． Ｃｏ⁃ ｃｌｕｓｔｅｒｉｎｇ ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｏｕｔ⁃ｏｆ⁃ｄｏｍａｉｎ ｄｏｃｕｍｅｎｔｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １３ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｔｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｓａｎ Ｊｏｓｅ， Ｃａｌｉｆｏｒｎｉａ， ＵＳＡ， ２００７： ２１０⁃２１９． ［４］ ＤＡＩ Ｗｅｎｙｕａｎ， ＹＡＮＧ Ｑｉａｎｇ， ＸＵＥ Ｇｕｉｒｏｎｇ， ｅｔ ａｌ． Ｓｅｌｆ⁃ ｔａｕｇｈｔ ｃｌｕｓｔｅｒｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｈｅｌｓｉｎｋｉ， Ｆｉｎｌａｎｄ，， ２００８： ２００⁃２０７． ［５］ＳＡＭＡＮＴＡ Ｓ， ＳＥＬＶＡＮ Ａ Ｔ， ＤＡＳ Ｓ． Ｃｒｏｓｓ⁃ｄｏｍａｉｎ ｃｌｕｓｔｅ⁃ ｒｉｎｇ ｐｅｒｆｏｒｍｅｄ ｂｙ ｔｒａｎｓｆｅｒ ｏｆ ｋｎｏｗｌｅｄｇｅ ａｃｒｏｓｓ ｄｏｍａｉｎｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４ｔｈ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔ⁃ ｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｇｒａｐｈｉｃｓ （ＮＣＶＰＲＩＰＧ）． Ｊｏｄｈｐｕｒ， Ｉｎｄｉａ， ２０１３： １⁃４． ［６］ＤＡＩ Ｗｅｎｙｕａｎ， ＸＵＥ Ｇｕｉｒｏｎｇ， ＹＡＮＧ Ｑｉａｎｇ， ｅｔ ａｌ． Ｔｒａｎｓ⁃ ｆｅｒｒｉｎｇ ｎａｉｖｅ Ｂａｙｅｓ ｃｌａｓｓｉｆｉｅｒｓ ｆｏｒ ｔｅｘｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｖａｎｃｏｕｒｖｅｒ， Ｂｒｉｔｉｓｈ Ｃｏｌｕｍｂｉａ， Ｃａｎａｄａ， ２００７， １： ５４０⁃５４５． ［７］ＬＩＡＯ Ｘｕｅｊｕｎ， ＸＵＥ Ｙａ， ＣＡＲＩＮ Ｌ． Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ｗｉｔｈ ａｎ ａｕｘｉｌｉａｒｙ ｄａｔａ ｓｏｕｒｃｅ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２２ｎｄ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ·３１６· 智 能 系 统 学 报 第 １１ 卷