데이터 마이닝은 지속가능한 의사결정에 있어 중요한 역할을 한다. k-prototypes 알고리즘은 수치형 및 범주형 데이터를 모두 클러스터링하는 데 널리 알려진 알고리즘 중 하나이다. 그러나 대량의 공간 객체에 대해 수치형 및 범주형 속성을 혼합하여 클러스터링하는 일은 높은 시간 복잡도 때문에 여전히 비효율적이다. 본 논문에서는 공간 객체 클러스터링에 대해 높은 성능을 달성하는 효율적인 격자 기반 k-prototypes 알고리즘인 GK-prototypes를 제안한다. 첫 번째로 제안된 알고리즘은 클러스터 중심과 셀 사이의 최대 거리 및 최소 거리를 모두 활용하여 불필요한 거리 계산을 제거할 수 있다. 두 번째로 제안된 알고리즘은 앞서 제안된 알고리즘의 확장 형태로서, 객체가 더 가까울수록 공간 데이터가 더 유사해지는 경향이 있다는 공간 의존성을 활용한다. 또한 각 셀에는 해당 셀 내의 모든 객체에 대해 각 속성별 범주형 값을 저장하는 비트맵 인덱스가 존재한다. 이 비트맵 인덱스는 범주형 데이터가 한쪽으로 치우친 경우 성능을 향상시킬 수 있다. 평가 실험 결과, 제안된 알고리즘은 k-prototypes 알고리즘에서의 기존 가지치기(pruning) 기법보다 더 나은 성능을 달성할 수 있음을 보여주었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.