基于图的聚类算法综述

第三十二次写博客，本人数学基础不是太好，如果有幸能得到读者指正，感激不尽，希望能借此机会向大家学习。这一篇文章作为基于图的聚类（Figure-based Clustering）算法的开篇，简要介绍了该类算法的相关内容，并为之后的算法详解做铺垫。

如何稀疏化邻近度图

  稀疏化邻近度图，即只保留对象与其最近邻之间的连接，采用这种处理方法有利于处理离群点和噪声，还可以基于稀疏化后的邻近度图上执行专为其开发的聚类算法。因此，这一部分主要是介绍如何进行稀疏化，然后介绍两种专门为稀疏化邻近度图开发的聚类算法：MST和Opossum。

相似性度量的新定义——SNN

  SNN是一种基于共享的近邻个数来定义两个对象之间相似度的方法，该方法基于这样一个事实，即对象和他的最近邻通常属于同一个类中，他可以有效的克服高维和变密度簇的问题。因此，这一部分主要介绍SNN是如何定义的，并介绍一种使用这种相似性度量的聚类算法：Jarvis-Patrick。

基于SNN度量的类DBSCAN算

  这一部分将会介绍一种与DBSCAN类似的算法，他同样通过定义核心对象并构建环绕他们的簇，由于该算法是一种基于图的聚类算法，因此需要引入近邻度图或稀疏化后的近邻度图的基于密度概念（SNN密度）。

何时应该合并两个簇

  两个簇合并的条件是，合并后生成的簇具有类似于这两个簇的特性，这就要求我们使用邻近度图中的信息，提供两个簇是否应该合并的更复杂的评估。因此，这一部分将会讨论一种使用自相似性（Self-similarity）概念确定簇是否应该合并的层次聚类算法：Chameleon。

以下是各种基于图的聚类算法的链接
【1】稀疏化邻近度图、MST聚类、OPOSSUM聚类《稀疏化邻近度图》
【2】共享最近邻相似度、Jarvis-Patrick聚类《共享最近邻相似度》
【3】SNN密度、类DBSCAN算法《基于密度的新概念——SNN密度》
【4】Chameleon聚类《使用自相似性的聚类方法——Chameleon》