張文宇 劉 嘉 楊 媛 朱鈺婷 于 瑞

（1.西安郵電大學(xué)經(jīng)濟與管理學(xué)院 西安710061）（2.中國航天系統(tǒng)科學(xué)與工程研究院 北京 100081）

1 引言

黨的十九大報告提出，人才是實現(xiàn)民族振興、贏得國際競爭主動的戰(zhàn)略資源?？萍紕?chuàng)新人才作為從事系統(tǒng)性科學(xué)和技術(shù)知識的發(fā)現(xiàn)、生產(chǎn)和應(yīng)用活動的創(chuàng)造性人力資源，是科學(xué)技術(shù)這一先進生產(chǎn)力的集中體現(xiàn)。對于各個領(lǐng)域存在的科技創(chuàng)新人才，要充分發(fā)揮其具備的能力和素質(zhì)，就要對科技創(chuàng)新人才進行精準(zhǔn)分類。因此，研究科技創(chuàng)新人才的分類問題對我國科技創(chuàng)新人才的發(fā)展、社會化建設(shè)有著十分重要的作用。目前，科技創(chuàng)新人才的理論研究大多集中在培養(yǎng)階段，楊穎［1］基于新的時代背景構(gòu)建出科技創(chuàng)新人才的培養(yǎng)機制。彭干三［2］在產(chǎn)學(xué)研融合視角下對我國科技創(chuàng)新人才培養(yǎng)過程中存在的問題提出意見。然而，科技創(chuàng)新人才的分類問題研究相對較少，陸一［3］等提出了三種選拔與培養(yǎng)類型的二維分類體系，以此來探究高校背景下創(chuàng)新人才的培養(yǎng)分類模式。邴浩［4］提出了一種政策分類的新方法來提升高校創(chuàng)新人才分類過程中政策的實施效果。以上的相關(guān)研究大部分是基于理論的定性研究階段，相關(guān)的定量研究很少，這導(dǎo)致科技創(chuàng)新人才分類研究的量化和精細化不足，不能充分挖掘科技創(chuàng)新人才的數(shù)據(jù)信息，從而對實際中科技創(chuàng)新人才的分類指導(dǎo)性不強。

在大數(shù)據(jù)背景下，充分利用海量數(shù)據(jù)資源，突出量化分析是科技創(chuàng)新人才分類研究的重要發(fā)展方向。因此，通過對科技創(chuàng)新人才數(shù)據(jù)的收集，從而對樣本數(shù)據(jù)進行數(shù)據(jù)挖掘與分析是提高人才分類效果的重要途徑。已有的研究表明聚類算法是數(shù)據(jù)挖掘中研究分類問題的有效方法，傳統(tǒng)聚類算法可被劃分為分割聚類、密度聚類，以及基于傳播的方法等［5～7］。Alex Rodriguez和Alessandro Laio［8］提出的一種密度峰值聚類算法DPC，該聚類算法具有計算速度快，無需迭代等特點，可以很好地描述數(shù)據(jù)分布，同時在算法復(fù)雜度上也比一般的K-means算法的復(fù)雜度低。盡管DPC算法優(yōu)勢明顯，但其對高維數(shù)據(jù)的處理以及非中心點的歸類仍存在一些局限，針對DPC算法的缺點，近兩年許多學(xué)者都對DPC算法進行改進。張偉［9］將DPC算法和Chame-leon算法的優(yōu)點相結(jié)合提出了E_CFSFDP算法，雖避免了將包含多個密度峰值的一個類聚成多類，但其計算量大且不利于處理高維數(shù)據(jù)。謝娟英［10］提出兩種基于K近鄰的樣本分配策略的快速密度峰值算法KNN-DPC，其算法對噪聲數(shù)據(jù)具有非常好的魯棒性，但由于該算法的聚類過程與DPC相同，故DPC算法的缺陷在該算法中仍存在。

針對上述問題，本文提出的結(jié)合主成分的改進K近鄰優(yōu)化的密度峰值聚類算法IKDPC將主成分分析法融入聚類算法中對高維數(shù)據(jù)降維，克服了聚類算法中高維數(shù)據(jù)對聚類結(jié)果的影響，為了更好地描述每個樣本在空間中的分布情況給出了新的局部密度的計算方法，并對原有樣本點的分配過程進行了改進，有效提高了算法的聚類結(jié)果，使該算法能更好地應(yīng)用于實際分類領(lǐng)域。首先，本文在闡述科技創(chuàng)新人才的定義及內(nèi)涵的基礎(chǔ)上，定性分析出科技創(chuàng)新人才的特點并構(gòu)建出科學(xué)合理的評價指標(biāo)體系；然后，通過IKDPC算法對科技創(chuàng)新人才進行量化分類研究，根據(jù)收集資料和調(diào)研獲得的樣本評價指標(biāo)數(shù)據(jù)，對科技創(chuàng)新人才進行實例驗證并分析其結(jié)果，并通過IKDPC算法與其他算法的分析比較表明IKDPC算法的優(yōu)勢，從而為提高科技創(chuàng)新人才培養(yǎng)過程中人才層次分類的效果提供依據(jù)。

2 科技創(chuàng)新人才及其評價指標(biāo)體系

2.1 科技創(chuàng)新人才的定義及內(nèi)涵

科技創(chuàng)新人才是從事系統(tǒng)性科學(xué)和技術(shù)知識的生產(chǎn)、促進、傳播和應(yīng)用活動的創(chuàng)造性人力資源［11］。根據(jù)科技創(chuàng)新人才的定義可知科技創(chuàng)新人才具體應(yīng)包括以下五部分內(nèi)涵。

1）具有較高的知識修養(yǎng)水平；

2）具有積極的創(chuàng)新實踐能力；

3）具有良好的環(huán)境適應(yīng)能力；

4）具有健康的身體狀況；

5）具有健全的心理與人格素質(zhì)。

2.2 科技創(chuàng)新人才的評價指標(biāo)體系

本文對科技創(chuàng)新人才的素質(zhì)從知識修養(yǎng)水平、創(chuàng)新實踐能力、環(huán)境適應(yīng)能力、身體狀況和心理與人格素質(zhì)五個部分構(gòu)建評價指標(biāo)體系，再根據(jù)對相關(guān)文獻和資料的研究，確定這五個部分的三級指標(biāo)［12］?？萍紕?chuàng)新人才評價指標(biāo)體系如表1所示。

表1 科技創(chuàng)新人才評價指標(biāo)體系

3 DPC算法

DPC算法通過搜索合適的局部密度較大的點作為類簇中心，再將類簇的標(biāo)簽從高密度點向低密度點依次傳播來實現(xiàn)數(shù)據(jù)樣本的聚類劃分。該算法能夠快速發(fā)現(xiàn)任意形狀數(shù)據(jù)集的密度峰值，并高效進行樣本點分配和離群點剔除［11］。DPC算法引入了樣本數(shù)據(jù)點xi的局部密度ρi和數(shù)據(jù)點xi到局部密度比它大且距離它最近的樣本數(shù)據(jù)點xj的距離δi，其定義如式（1）和（2）所示：

數(shù)據(jù)集，IS={1,2,…,N}，為相應(yīng)指標(biāo)集，dij=dist(xi,xj)表示數(shù)據(jù)點xi和xj之間的歐式距離。參數(shù)dc＞0為截斷距離。

對于ρi最大的樣本數(shù)據(jù)點xi，其δi=minjdij。

對于較小的數(shù)據(jù)集，由式（1）估計的密度可能會受統(tǒng)計誤差的影響，此時采用式（3）來估計其局部密度［9］。

為了獲取數(shù)據(jù)的聚類中心，DPC算法首先將每個點的ρ值和δ值于坐標(biāo)平面內(nèi)繪制出，然后將ρ值和δ值都較大的點作為聚類中心［8］。然而，對于分布稀疏的數(shù)據(jù)，通過ρ值和δ值難以確定其聚類中心，此時DPC算法使用γ=ρ×δ來獲取，其中，γi值越大，xi越有可能成為聚類中心。將所有點的γ值降序排列，并與坐標(biāo)平面上繪出。由于聚類中心的γ值較大，而其他點的γ值較小且呈平滑趨勢，故可以使用一條平行于橫線的直線將其分開，使得直線上方的γ值所對應(yīng)的點即為聚類中心。當(dāng)聚類中心找出后，將剩余點分配到其高密度最近領(lǐng)所屬的類中。

4 IKDPC算法

4.1 IKDPC算法思想

高維數(shù)據(jù)的聚類分析存在著很多困難，重點表現(xiàn)在：1）高維數(shù)據(jù)稀疏性對于信息的識別造成一定的困難；2）隨著維數(shù)升高，計算量呈現(xiàn)指數(shù)型增長，這導(dǎo)致了對于聚類分析的結(jié)果計算更加困難［13］。因此，本文在聚類分析中融入了降維思想，選取已廣泛應(yīng)用的主成分分析方法，對科技創(chuàng)新人才樣本數(shù)據(jù)進行降維后再聚類，可以獲得良好的聚類效果。

主成分分析（PCA）是模式識別過程中廣泛應(yīng)用的特征生成和降低維數(shù)的方法，它是在數(shù)據(jù)信息丟失最少的原則下，對高維變量空間進行降維處理，同時，使得高維數(shù)據(jù)點的可見性成為可能［14］。本文通過對科技創(chuàng)新人才評價指標(biāo)體系的樣本數(shù)據(jù)集進行主成分分析，計算出相關(guān)系數(shù)指標(biāo)，得出主成分對原始指標(biāo)數(shù)據(jù)的方差貢獻率及累計方差貢獻率，當(dāng)累計方差貢獻率達到或者超過85%，即m滿足：≥85%，且特征值大于1，從而求出科技創(chuàng)新人才評價指標(biāo)體系的主成分指標(biāo)m（m＜p），然后對所求出的m個主成分指標(biāo)數(shù)據(jù)進行聚類分析。

為了克服克服傳統(tǒng)DPC算法的缺陷，本文引入相似性系數(shù)來調(diào)節(jié)個點對當(dāng)前點的密度貢獻權(quán)重，提出帶有相似性系數(shù)的高斯核函數(shù)來計算其局部密度［15］。對于每個樣本數(shù)據(jù)點xi，其局部密度ρi定義如下：

其中，σ取數(shù)據(jù)量的2%［9］，r為相似性系數(shù)，表示密度函數(shù)與數(shù)據(jù)點相似度的關(guān)系程度，該值越大，距離點xi越近的點對其密度ρi的貢獻權(quán)重越大。樣本數(shù)據(jù)點xi的距離δi計算方式與DPC算法相同。對于聚類中心的選取，考慮到ρ和δ值可能處于不同的數(shù)量級，因此，對兩者進行歸一化處理以有效獲得聚類中心γi，γi定義如下：

利用式（4）、式（2）計算出個點的ρ和δ值，式（5）計算出相應(yīng)的γi值，然后通過γ值決策圖選取較大的前M個γ值對應(yīng)的點獲得聚類中心。

由于聚類中心往往出現(xiàn)在高密度區(qū)域，故將各聚類中心某鄰域內(nèi)的點看作核心點，而將其他點看作非核心點。核心點的獲取方法為先將剩余點分配到距其最近的聚類中心所在的類中，然后計算各局部類Cm中所有點與其類中心cenm間的平均距離um，若xi以下式（7），即xi∈Cm在cenm的θum鄰域內(nèi)，則xi為核心點。

其中，|Cm|為第m個局部類Cm中的所有數(shù)據(jù)點的數(shù)目，為點xi∈Cm與cenm間的距離；θ與數(shù)據(jù)集大小N有關(guān)，取N‰；Xcore為核心點集合。

對于剩余各點，本文設(shè)計了兩種全新的分配策略，策略一是以核心點集合Xcore中每個點為中心，不斷地搜索未分配的KNN并將之分配到該點所在的局部類中。策略二則是根據(jù)式（8）計算xi和xj的相似度sij，表示兩點距離大小，距離越近，sij越高。每個點的歸屬由其KNN分布決定，若xi的KNN中屬于Cm的點越多且與xi的距離越近，則sij值越大，此時xi被分配到到Cm的概率Pim也越大。的計算如式（9）：

綜上所述，本文提出的IKDPC算法首先在聚類分析中融入了主成分分析法對高維數(shù)據(jù)進行降維處理，進而在傳統(tǒng)DPC算法中引入相似性系數(shù)來調(diào)節(jié)樣本數(shù)據(jù)點的密度貢獻權(quán)重以計算其局部密度，最后設(shè)計了全新的兩種樣本數(shù)據(jù)點的分配策略，有效提高了數(shù)據(jù)的聚類效率和聚類質(zhì)量。

4.2 具體算法步驟

IKDPC算法步驟如下。

輸入：數(shù)據(jù)集S，樣本近鄰數(shù)K，相似性系數(shù)r。

輸出：聚類結(jié)果。

Step1：對樣本評價指標(biāo)數(shù)據(jù)集S使用主成分分析方法，選取前m個主成分指標(biāo)，該選取滿足累計貢獻率在[8 5%,100%]區(qū)間；

Step2：對選取的m個主成分指標(biāo)新數(shù)據(jù)集應(yīng)用改進的DPC算法進行聚類；

Step2.1：計算新數(shù)據(jù)集中各個數(shù)據(jù)點間的歐式距離dij，根據(jù)式（4）和式（2）計算每個數(shù)據(jù)點的ρ和δ值；

Step2.2：通過對計算的ρ和δ進行歸一化處理，得到γ，進而構(gòu)建決策圖獲得聚類中心；

Step3：使用式（6）和式（7）提取核心點，并采用策略一將待分類點歸類：

Step3.1：將核心點集合Xcore至于隊列Q；

Step3.2：取隊列頭xa，將其從Q刪除，然后查找其K個最近鄰KNNa；

Step3.3：若x′∈KNNa未被分配，Step4則將x′分配到xa所在的類中，并將x′添加至Q尾；否則轉(zhuǎn)Step3.2；

Step3.4：若Q=?，終止該策略；

Step4：根據(jù)策略二分配剩余k個點：

Step4.1：依式（8）和式（9）計算每個點的Pim(i=1,2,…,k)，

將該結(jié)果存入矩陣Pk×M，同時將的值以及類別號m分別存至向量MP和MI；

Step4.2：若MP中有非零值，則將值最大點xo歸入MI(0)所表示的類中，轉(zhuǎn)到Step4.3，否則終止該策略；

Step4.3：更新P、MP、MI，令MI(0)=0。對于未分配的點xp∈KNNo，更新P[p][m]、MP(p)、MI(p)。

Step4.4：若MP中所有元素均為0，則終止；否則轉(zhuǎn)Step4.3；

Step5：若仍然沒有被處理的點可以看作噪聲點，將其歸入到最近鄰所在的類中去。

5 實證研究

5.1 數(shù)據(jù)收集及整理

本文通過閱讀相關(guān)研究文獻、人物傳記提取杰出科技創(chuàng)新人才的評價指標(biāo)，然后設(shè)計發(fā)放科技創(chuàng)新人才評價調(diào)研問卷，整個過程符合調(diào)查抽樣隨機性的原則，問卷發(fā)放的對象主要是科研院所及高校人員，調(diào)研的結(jié)果能反映科技創(chuàng)新人才素質(zhì)的真實情況。最后將調(diào)研問卷的結(jié)果進行整理打分，以科技創(chuàng)新人才評價指標(biāo)體系中的24個評價指標(biāo)反映出樣本人員所對應(yīng)的指標(biāo)得分（分數(shù)越高代表對應(yīng)的素質(zhì)越高，每個指標(biāo)的滿分為5分）。經(jīng)過去噪、去除不合理樣本等預(yù)處理，最終共收集科技創(chuàng)新人才有效樣本指標(biāo)數(shù)據(jù)352例，科技創(chuàng)新人才樣本指標(biāo)數(shù)據(jù)如下表2。

表2 科技創(chuàng)新人才評價指標(biāo)數(shù)據(jù)

5.2 實證結(jié)果分析

首先把整理好的352例科技創(chuàng)新人才的24項評價指標(biāo)數(shù)據(jù)導(dǎo)入SPSS中進行主成分分析，結(jié)果見表3。

表3 主成分分析解釋總差異

從表3中可以看出，第一成分到第五成分特征值都大于1，并且累計方差貢獻率達到86.001%，可知這5個成分包含原始24個成分信息量的86.001%，可以反映原始數(shù)據(jù)的主要信息。因此，本文提取前5個成分作為主成分指標(biāo)進行接下來的聚類分析。聚類結(jié)果以表4展示如下。

表4 科技創(chuàng)新人才主成分指標(biāo)聚類結(jié)果

根據(jù)表4可以看出A類樣本人數(shù)為106人，聚類中心點為9號樣本點，分析其主成分指標(biāo)得分情況可知此樣本人員各個主成分指標(biāo)分數(shù)都較高，因此A類樣本代表的是綜合全面型的科技創(chuàng)新人才；B類樣本人數(shù)為95人，聚類中心點為82號樣本點，分析其主成分指標(biāo)得分情況可知此樣本人員主成分2和3分數(shù)顯著，即他的受教育程度較高且知識運用能力強，因此B類樣本代表的是具有良好教育背景的知識應(yīng)用型科技創(chuàng)新人才；C類樣本人數(shù)為82人，聚類中心點為175號樣本點，分析其主成分指標(biāo)得分情況可知此樣本人員主成分4分數(shù)顯著，即他擁有豐富的知識存儲量，因此C類樣本代表的是擁有知識積累型的科技創(chuàng)新人才；D類樣本人數(shù)為69人，聚類中心點為175號樣本點，分析其主成分指標(biāo)得分情況可知此樣本人員主成分5分數(shù)顯著，即他具有較強的想象力，因此D類樣本代表的是創(chuàng)新思維型的科技創(chuàng)新人才。結(jié)合以上分析可知本文算法能夠得到較好的科技創(chuàng)新人才分類結(jié)果。

5.3 算法實例分析

為了驗證數(shù)據(jù)降維對聚類效果的提升，分別將DPC算法和IKDPC算法在1～24個科技創(chuàng)新人才評價指標(biāo)成分張成的數(shù)據(jù)集中進行聚類，使用分錯率（CER）、ERRORRATE和調(diào)整Rand系數(shù)（Adjusted Rand Index，ARI）三個指標(biāo)綜合衡量聚類效果，結(jié)果如表5所示，科技創(chuàng)新人才在降維過程中維數(shù)超過5時各項指標(biāo)都產(chǎn)生了大幅度變化，各個指標(biāo)均不理想。

表5 DPC和IKDPC的樣本指標(biāo)數(shù)據(jù)聚類對比

最后，為了對比本文提出的IKDPC算法的有效性，本文將聚類算法研究中廣為采用的聚類精度（Clustering Accuracy，ACC）、調(diào)整互信息系數(shù)（Adjusted Mutual Information，AMI）、ARI這三個指標(biāo)作為聚類算法性能度量評價標(biāo)準(zhǔn)［16～17］。其中，ACC與AMI的取值范圍均為[0,1]，ARI的 取值范圍為[- 1,1]，各指標(biāo)值越大，越表示聚類質(zhì)量越高。本論文算法與其他算法對樣本數(shù)據(jù)進行驗證，三個指標(biāo)的比較結(jié)果見表6。

表6 各算法有效性比較

綜上所述，本文算法能夠克服高維數(shù)據(jù)對聚類過程的不利影響，聚類結(jié)果區(qū)分性強且聚類有效性高，能夠應(yīng)用于科技創(chuàng)新人才的實際分類問題。

6 結(jié)語

本文針對科技創(chuàng)新人才分類問題，運用定性與定量相結(jié)合的方法，先通過資料收集和調(diào)研問卷的方式整理制定出相關(guān)科技創(chuàng)新人才的評價指標(biāo)體系，然后提出IKDPC算法對樣本指標(biāo)進行聚類分析，與傳統(tǒng)聚類方法相比，該方法能夠?qū)Ω呔S數(shù)據(jù)降維，提取指標(biāo)維數(shù)中的主成分指標(biāo)，并且給出了新的適用于任意數(shù)據(jù)集的局部密度計算方法，以及兩種不同的剩余點分配策略。采用本文方法對科技創(chuàng)新人員進行聚類分析，充分挖掘聚類信息，客觀合理地將科技創(chuàng)新人才進行分類，對不同類別的科技創(chuàng)新人才制定不同的培養(yǎng)計劃，能夠為科技創(chuàng)新人才培養(yǎng)過程中的分類提供科學(xué)化的決策支持。本文方法具有一定的通用性，也可以用于其他類似人員的分類問題，例如醫(yī)學(xué)人才分類、軍事人才分類等。