聚类在数据挖掘、机器学习以及模式识别等领域有着非常广泛的应用,聚类分析是一种针对无标签数据的无监督学习方法。聚类集成的优势在于能够组合多个聚类成员以提供更好的聚类结果,提高算法质量以及鲁棒性。三支聚类表示直观地刻画了哪些对象属于某个类簇,哪些对象不属于某个类簇。Spark作为大数据时代下的一个快速处理数据分析工作的框架,从2009年诞生之日起发展迅速,已成为大数据处理工具的主流。因此,论文针对大规模不确定性数据的聚类问题,提出了基于Spark的三支聚类集成方法。为了能够并行处理大规模数据,论文提出一种基于Spark的三支聚类集成模型。主要包括三个部分,首先,设计了基于分布式近邻传播算法的分布式基聚类器。近邻传播算法的优点在于不需要初始化簇的个数,算法稳定性好,为了使得近邻传播算法能够在集群上并行计算,论文对近邻传播算法中的相似度矩阵、吸引度矩阵以及归属度矩阵的RDD转换进行了改进。然后,对聚类成员的聚类结果构造OVERLAP矩阵,使标签对齐。同时,为了更好地避免聚类结果的错误划分,论文结合三支决策思想,使用了基于三支决策的多数投票法作为一致性函数。最后,论文采用了多组UCI数据集对该模型进行实验验证以及分布式算法的性能测试,测试结果显示本文算法具有良好的加速比和扩展比。为了进一步提高算法性能,基于项目组提出的簇核概念,结合三支决策思想,提出了基于簇核和超图的一致性方法。簇核是在所有聚类成员中,始终划分在该类簇的数据对象的最大集合,它反映了数据集的稳定的局部结构,将其作为一个整体进行后续的计算,必将大大减小计算数据的规模。论文将数据对象分为较大簇核、较小簇核,以及非簇核数据对象三类,并提出了相应的处理策略。利用超图反映数据之间复杂关系的优势,论文基于簇核构造超图邻接矩阵,从而实现一致性聚类。在15个UCI数据集及4个大规模数据集上进行了对比实验工作。