聚类分析作为数据挖掘的一个重要方法,被广泛应用在模式识别、Web搜索、图像处理等领域。迄今为止,大多数聚类算法针对数值型数据,然而现实世界中,存在着大量的符号数据,包括结构化的符号属性(类属型)数据和非结构化的符号序列数据。由于符号数据离散取值的特点,无法直接将现有的数值型数据聚类算法应用到符号数据。因此,符号数据的聚类算法研究成为一个非常重要的研究内容,对完善数据挖掘理论以及拓展聚类的应用都有着重要的意义。本文对符号数据聚类分析中的若干问题进行了研究,包括挖掘类属型数据间非线性关系的核子空间聚类算法、符号序列数据的聚类算法以及针对符号序列中噪声数据和类不平衡数据(非均匀数据)的鲁棒概率框架。本文的主要研究工作有:1.针对目前类属型数据聚类算法大多基于特征间相互独立的假设,未考虑属性间存在的线性或非线性相关性关系,提出了类属型数据核子空间聚类算法。该算法引入原作用于连续型数据的核函数将类属型数据投影到核空间,定义了核空间中特征加权的类属型数据相似性度量;基于该度量推导了类属型数据核子空间聚类目标函数,提出一种高效求解该目标函数的优化方法并定义了一种类属型数据核子空间聚类算法,该算法不仅在非线性空间中考虑了属性间的关系,还在聚类过程中赋予每个属性衡量其与簇类相关程度的特征权重,实现了类属型属性的嵌入式特征选择。最后,定义了一个新的聚类有效性指标以评价类属型数据聚类结果的质量。在合成数据和实际数据集上的实验结果表明,与现有子空间聚类算法相比,核子空间聚类算法可以发掘类属型属性间的非线性关系并有效提高了聚类结果的质量。2.针对符号序列数据,提出一种自表达模型。基于该模型将符号序列转换成了等长的向量,定义了符号序列间的相似性度量。实验结果表明,提出的算法较目前主流的算法不仅在聚类精度上有一定提高,还在一定程度上降低了噪声数据对于聚类结果的影响。3.提出了 一种符号序列数据鲁棒聚类的概率框架。该框架由自表达模型以及高斯混合分布模型级联构成,不仅降低了噪声数据对聚类结果的干扰,还能够对类不平衡的数据进行聚类分析。在此基础上,将符号序列的鲁棒聚类问题转换为软子空间聚类问题。基于该框架,我们定义了 k-means型的聚类目标函数,并提出了符号序列的鲁棒聚类算法。实验结果表明该算法在实际数据集上较目前的聚类方法有明显的优势。上述工作丰富了符号数据聚类分析的研究,其中,第一个工作在医疗诊断、动植物分析等领域得到了进一步的延申;后两个工作应用于语音识别、生物信息以及文本挖掘等相关领域。因此,本文工作对实际应用的数据挖掘提供了新的技术支撑,在数据挖掘和知识发现等领域有着较大的应用价值。