基于密度峰值聚类的大学生异常行为检测研究

李慧芳 钟新成 付晓丽

（长治学院计算机系，山西 长治 046011）

1 引言

大学生健康安全成长是高等教育管理者所关注的重点工作。有些大学生因存在挂科、网贷、孤僻等异常行为成为学校的重点关注对象。如何及时发现学生群体中的学生异常行为并进行心理疏导和关怀，已成为高校学生心理健康管理工作的一项重要任务。

目前，常见的异常行为检测方法包括有监督的异常检测方法和无监督的异常检测方法。有监督的检测方法需要一个事先标记好的训练集，从而达到训练分类器识别异常数据的目的。对于异常用户特别稀少的情形，往往需要大量时间，寻找数据的效率较低。常采用支持向量机、神经网络等建立检测模型。无监督的检测方法不仅不需要提前标记训练集，在新的异常数据类型出现后，该方法能够更快更有效率地进行检测。常采用k-means、近邻传播等聚类方法对异常数据进行检测。这些算法通过对样本按照相似性分为若干簇，使得属于同一簇的样本之间的距离尽可能小而不同簇间的个体间的距离尽可能大[1]。

密度峰值聚类算法于2014年在《Science》上发表，受到了广大学者的关注[2-4]。目前，已有许多领域采用该算法检测异常数据特点问题。文献[5]通过优化初始聚类中心，采用密度峰值聚类检测算法改善电力大数据异常值的检测复杂度。文献[6]通过直方图均衡化原理优化类间距离，实现密度峰值聚类的短期光伏功率预测。文献[7]通过密度峰值聚类算法对未知链路进行分类，依据分类结果完成链路预测。……