Direct Clustering of a Data Matrix
数据矩阵的直接聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般数据矩阵的联合聚类，没有网络结构、因子模型或其他所列领域细分的明确依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
数据矩阵的直接聚类
- 研究问题
- 面对由多个变量和多个观测对象构成的异质数据矩阵，如何同时聚类变量与对象，并直接解释所得分块？
- 方法与思路
- 作者提出同时聚类观测对象与变量的模型和技术；摘要对比了分别聚类两者的做法，但未说明具体算法。
- 材料陈述的贡献
- 摘要称联合聚类的主要优点是能够直接在原数据上解释聚类结果，未提供聚类准确性或计算效率的比较。
- 阅读关注点
- 应核对联合聚类模型、目标函数和求解步骤，以及分块如何解释、如何确定类别数量与评价稳定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明模型条件、算法或验证结果，不能推断刊本变化。
原文摘要
Clustering algorithms are now in widespread use for sorting heterogeneous data into homogeneous blocks. If the data consist of a number of variables taking values over a number of cases, these algorithms may be used either to construct clusters of variables (using, say, correlation as a measure of distance between variables) or clusters of cases. This article presents a model, and a technique, for clustering cases and variables simultaneously. The principal advantage in this approach is the direct interpretation of the clusters on the data.