| abstract | 第5-6页 |
| Chapter 1. Introduction | 第14-24页 |
| 1.1 Semi-supervised Clustering | 第14-16页 |
| 1.2 Semi-supervised Clustering Challenges | 第16-21页 |
| 1.2.1 Active Pairwise Constraints Selection | 第17-19页 |
| 1.2.2 Semi-Supervised Clustering for Streaming Data | 第19-20页 |
| 1.2.3 Semi-Supervised Clustering for Multi-Density Data | 第20-21页 |
| 1.3 Thesis Contributions | 第21-23页 |
| 1.4 Thesis Structure | 第23-24页 |
| Chapter 2. Background | 第24-40页 |
| 2.1 Introduction | 第24-25页 |
| 2.2 Clustering | 第25-29页 |
| 2.2.1 Similarity and Dissimilarity | 第25-26页 |
| 2.2.2 Clustering Requirements | 第26-27页 |
| 2.2.3 Clustering Methods | 第27-29页 |
| 2.3 Semi-supervised Clustering | 第29-31页 |
| 2.3.1 Semi-supervised Clustering Algorithms with Label Data | 第29-30页 |
| 2.3.2 Semi-supervised Clustering Algorithms with Constraints | 第30-31页 |
| 2.3.2.1 Constraint-based methods | 第30-31页 |
| 2.3.2.2 Distance-based methods | 第31页 |
| 2.4 Semi-Supervised Clustering Problems | 第31-40页 |
| 2.4.1 Active Learning with Semi-Supervised Clustering | 第31-35页 |
| 2.4.2 Streaming Data Problem | 第35-37页 |
| 2.4.3 Density-based Methods | 第37-40页 |
| Chapter 3. Active Learning for Semi-Supervised Clustering Algorithms | 第40-66页 |
| 3.1 Introduction | 第40-42页 |
| 3.2 Active Learning Algorithms | 第42-46页 |
| 3.2.1 Explore-Consolidate Algorithms | 第42-43页 |
| 3.2.2 Neighborhood-Based Algorithms | 第43-45页 |
| 3.2.3 Active Spectral Clustering Algorithms | 第45-46页 |
| 3.3 Batch-Mode Active Learning Method | 第46-52页 |
| 3.3.1 Batch Instances Selection | 第46-49页 |
| 3.3.2 A Neighborhood-based Active Learning Method | 第49-51页 |
| 3.3.3 Run Time Analysis | 第51-52页 |
| 3.4 Experiments | 第52-64页 |
| 3.4.1 Datasets | 第52-53页 |
| 3.4.2 Constraint-based Clustering Algorithms | 第53页 |
| 3.4.3 Constraint Selection Heuristics | 第53-54页 |
| 3.4.4 Evaluation Metrics | 第54-55页 |
| 3.4.5 Evaluation Results | 第55-64页 |
| 3.4.5.1 Effectiveness and Performance Analysis | 第55-61页 |
| 3.4.5.2 Efficiency and Scalability Analysis | 第61-63页 |
| 3.4.5.3 Analysis of Different Batch Size Values | 第63-64页 |
| 3.5 Conclusion | 第64-66页 |
| Chapter 4. Semi-Supervised Clustering For Streaming Data | 第66-92页 |
| 4.1 Introduction | 第66-67页 |
| 4.2 Clustering Data Streaming Methods | 第67-73页 |
| 4.3 Semi-Supervised Affinity Propagation | 第73-79页 |
| 4.3.1 Affinity Propagation | 第73-77页 |
| 4.3.2 Semi-Supervised AP (SSAP) | 第77-79页 |
| 4.4 Clustering Streaming Data | 第79-84页 |
| 4.4.1 Streaming Data Model | 第79-81页 |
| 4.4.2 SSAPStream Algorithm | 第81-83页 |
| 4.4.3 Memory Usage and Complexity Analysis | 第83-84页 |
| 4.5 Experiments | 第84-91页 |
| 4.5.1 Experimental Setup | 第84-87页 |
| 4.5.1.1 Data Sets and Evaluation | 第84-86页 |
| 4.5.1.2 Parameter Setting | 第86-87页 |
| 4.5.2 Experimental Results | 第87-90页 |
| 4.5.2.1 Comparison of Effectiveness | 第87-88页 |
| 4.5.2.2 Comparison of Execution Time | 第88-89页 |
| 4.5.2.3 Comparison of Memory Usage | 第89-90页 |
| 4.5.3 Sensitivity Analysis | 第90-91页 |
| 4.5.3.1 Buffer Size | 第90页 |
| 4.5.3.2 Decay Factor | 第90-91页 |
| 4.6 Conclusion | 第91-92页 |
| Chapter 5. Semi-Supervised Clustering For Multi-Density Data | 第92-118页 |
| 5.1 Introduction | 第92-93页 |
| 5.2 Density-Based Clustering Algorithms | 第93-99页 |
| 5.3 Clustering Multi-Density Data | 第99-103页 |
| 5.3.1 Partitioning Dataset | 第99-102页 |
| 5.3.2 Expanding Clusters | 第102页 |
| 5.3.3 Time Complexity | 第102-103页 |
| 5.4 Experimental Results | 第103-116页 |
| 5.4.1 Competing Algorithms | 第103-104页 |
| 5.4.2 Synthetic Datasets | 第104-111页 |
| 5.4.3 Real Datasets | 第111-115页 |
| 5.4.4 Sensitivity Analysis | 第115-116页 |
| 5.5 Conclusion | 第116-118页 |
| Chapter 6. Conclusion and Future Work | 第118-122页 |
| 6.1 Conclusion | 第118-120页 |
| 6.2 Future Work | 第120-122页 |
| Acknowledgement | 第122-124页 |
| List of Publications | 第124-126页 |
| References | 第126-132页 |
