बहु-संबंधी क्लस्टरिंग उनकी समानता के आधार पर डेटा ऑब्जेक्ट्स को क्लस्टर्स के एक समूह में विभाजित करने का चरण है, कई संबंधों में डेटा का उपयोग करके। CrossClus उपयोगकर्ता मार्गदर्शन के साथ क्रॉस-संबंधी क्लस्टरिंग का प्रतिनिधित्व करता है। यह बहु-संबंधी क्लस्टरिंग के लिए एक एल्गोरिदम है जो विश्लेषण करता है कि क्लस्टरिंग में उपयोगकर्ता मार्गदर्शन और टुपल ID प्रसार का उपयोग भौतिक जॉइन को रोकने के लिए कैसे किया जाए।
बहु-संबंधी क्लस्टरिंग में मुख्य चुनौती यह है कि कई संबंधों में कई विशेषताएं हैं, और आमतौर पर उनमें से केवल एक छोटा क्षेत्र एक निश्चित क्लस्टरिंग कार्य के लिए प्रासंगिक है।
यह छात्रों को क्लस्टर कर सकता है, विशेषताएं कई सूचना तत्वों को कवर करती हैं, जिसमें छात्रों द्वारा लिए गए पाठ्यक्रम, छात्रों के प्रकाशन, छात्रों के सलाहकार और अनुसंधान दल आदि शामिल हैं।
एक उपयोगकर्ता आमतौर पर डेटा के एक विशिष्ट तत्व का उपयोग करके छात्रों को क्लस्टर करने में रुचि रखता है (उदाहरण के लिए, उनके शोध क्षेत्रों द्वारा छात्रों को क्लस्टर करना)। उपयोगकर्ताओं को उनके अनुप्रयोगों की आवश्यकता और डेटा अर्थशास्त्र की बेहतर समझ हो सकती है। इस प्रकार, एक साधारण क्वेरी के रूप में उपयोगकर्ता का मार्गदर्शन, उच्च-आयामी बहु-संबंधी क्लस्टरिंग की प्रभावशीलता और गुणवत्ता को बढ़ाने के लिए उपयोग किया जा सकता है।
CrossClus उपयोगकर्ता क्वेरी स्वीकार करता है जिसमें एक लक्ष्य संबंध और एक या अधिक प्रासंगिक विशेषताएं शामिल हैं, जो उपयोगकर्ता के क्लस्टरिंग उद्देश्य को परिभाषित करती हैं। बहु-संबंधी क्लस्टरिंग प्रक्रिया में, CrossClus को कई संबंधों में प्रासंगिक विशेषताओं की खोज करने की आवश्यकता होती है।
CrossClus को खोज चरण में दो प्रमुख चुनौतियों का समाधान करना चाहिए। पहला, लक्ष्य संबंध, Rt, आमतौर पर प्रत्येक गैर-लक्ष्य संबंध, R के साथ कई जॉइन पथ के माध्यम से जुड़ सकता है, और R में प्रत्येक विशेषता को बहु-संबंधी विशेषता के रूप में उपयोग किया जा सकता है।
इस बड़े खोज स्थान में किसी भी प्रकार की संपूर्ण खोज लागू करना दुर्गम है। दूसरा, बड़ी संख्या में विशेषताओं के बीच, कुछ उपयोगकर्ता क्वेरी के लिए प्रासंगिक हैं जबकि कुछ अप्रासंगिक हैं (उदाहरण के लिए, छात्र के सहपाठियों का व्यक्तिगत डेटा)।
CrossClus को खोज चरण को सीमित करना चाहिए। यह संबंधपरक स्कीमा को एक ग्राफ के रूप में मान सकता है, जिसमें संघ नोड्स हैं और जॉइन किनारे हैं। यह एक अनुमानी विधि अपनाता है, जो उपयोगकर्ता-परिभाषित विशेषता से खोज शुरू करता है, और फिर वर्तमान विशेषताओं के पड़ोस में लाभकारी विशेषताओं की बार-बार खोज करता है। इस तरह, यह धीरे-धीरे जुड़े संबंधों के लिए खोज दायरे का विस्तार करता है, लेकिन यादृच्छिक दिशाओं में दूर नहीं जाएगा।
CrossClus देखता है कि विशेषताएं लक्ष्य टुपल्स को कैसे क्लस्टर करती हैं। प्रासंगिक विशेषताओं को उपयोगकर्ता-परिभाषित विशेषताओं के साथ उनके संबंधों के आधार पर चुना जाता है। यदि दो विशेषताएं टुपल्स को बहुत अलग तरीके से क्लस्टर करती हैं, तो उनकी समानता कम है और उनके जुड़े होने की संभावना नहीं है। यदि वे टुपल्स को समान तरीके से क्लस्टर करते हैं, तो उन्हें संबंधित माना जाना चाहिए।
