论文部分内容阅读
在数据挖掘和机器学习的基于距离的各种技术中，例如基于距离的聚类和基于距离的分类，如何度量数据间的相似性已经成为一项基础任务．对于某一具体问题，采用合适的相似性度量，会使问题得到更有效的解决．越来越多的研究表明，通过对成对约束（正约束和负约束）的充分利用，从而得到与问题相匹配的相似性度量，能够大幅度地提升算法性能．目前基于约束的相似性度量研究主要是基于约束的距离度量学习，通过对约束信息的利用，学习一个距离度量矩阵，然后再进行分类或者聚类．通过对成对约束尤其是负约束的挖掘，提出一种基于成对约束的相似性度量准则