52、交互式聚类与软件缺陷定位技术解析

交互式聚类与软件缺陷定位技术解析

在数据挖掘和软件工程领域，交互式聚类和软件缺陷定位都是至关重要的研究方向。下面将详细介绍这两方面的相关技术和实验结果。

交互式聚类

交互式聚类旨在让用户通过提供反馈来引导聚类过程，以提高聚类的准确性和效率。

算法流程

交互式聚类算法在用户对当前聚类结果满意时终止。否则，算法会从用户那里获取更多反馈，并基于包含最新反馈的反馈集对数据点进行重新聚类。

监督模型

为了替代大规模的人工监督评估，提出了一种基于数据点的黄金标准聚类标签的参数化监督模型。该模型有两个重要参数：
- 知识参数 p ：控制监督者对真实聚类 t 确切描述的了解程度，p 取值范围为 [0, 1]。在构建真实聚类 t 的描述时，每个特定文档以概率 p 包含在平均计算中，当 p < 1.0 时，用户对 t 的描述只有部分了解。
- 识别阈值 r ：用于从计算得到的聚类中识别真实聚类。监督者只有在当前聚类 c 的模糊性（以真实聚类的熵来衡量）低于阈值 r，且 t 是 c 中的主要真实聚类时，才会识别出真实聚类 t。在聚类算法的任何阶段，监督者都有一个已识别的真实聚类集合 Tr ⊆ T，并且只能将当前类映射到这些真实聚类上。

当被要求为数据点 x 提供分配反馈时，监督者首先检索 x 的真实聚类 t，然后返回相应的当前聚类。当被要求提供当前聚类 c 的描述反馈时，监督者首先检索相应的真实聚类 t，然后根据其知识水平 p 返回其不精确的描述。需要注意的是，监督者只有在相关真实聚类 t 属于其已识别的聚类集合