Model-Based Clustering of Categorical Data Based on the Hamming Distance
基于汉明距离的类别数据模型聚类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：研究对象是无序类别数据聚类，摘要未涉及个体选择行为或其他所列细分方向。
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…
基于汉明距离的类别数据模型聚类
- 研究问题
- 对于没有自然顺序的类别数据，如何构建概率模型开展聚类，并同时量化簇数、簇结构及各组参数的不确定性？
- 方法与思路
- 作者用汉明距离定义概率质量函数族，作为未知成分数的有限混合核，在贝叶斯非参数框架下采用跨维度分块 Gibbs 采样。
- 材料陈述的贡献
- 摘要称，研究给出汉明分布参数的共轭推断，包含固定成分数的简约潜在类别模型，并在模拟与参考数据中改善聚类恢复。
- 阅读关注点
- 应核对距离对应的概率模型、簇数先验与采样步骤、特殊情形的限制条件，以及聚类恢复指标和计算成本的比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；类别聚类不直接等同于离散选择，摘要也未说明全部先验和性能适用范围。
原文摘要
A model-based approach is developed for clustering categorical data with no natural ordering. The proposed method exploits the Hamming distance to define a family of probability mass functions to model the data. The elements of this family are then considered as kernels of a finite mixture model with an unknown number of components. Conjugate Bayesian inference has been derived for the parameters of the Hamming distribution model. The mixture is framed in a Bayesian nonparametric setting, and a transdimensional blocked Gibbs sampler is developed to provide full Bayesian inference on the number of clusters, their structure, and the group-specific parameters, facilitating the computation with respect to customary reversible jump algorithms. The proposed model encompasses a parsimonious latent class model as a special case when the number of components is fixed. Model performances are assessed via a simulation study and reference datasets, showing improvements in clustering recovery over existing approaches. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.