我正在研究重叠聚类（聚类不相交）。我发现Neo-K-Means可能是现在最先进的。但是，当我尝试使用多标签数据集实现算法时（音乐情感/场景）。我没有得到论文中声明的高结果（我的结果约为 0.4 F-measure，论文声明音乐为 0.55，场景为 0.626）。尽管如此，我还是用 K-Means 的最佳情况初始化了实验（质心种子是每个类的均值，总的集群分配等于现实）。我想知道我的实现方法有什么问题，或者我是否需要做一些额外的事情才能获得更高的结果？

PS。我找到了Neo-Kmeans 的进一步研究，但我认为我应该在进一步研究之前明确这一点。

这是我的代码

while (count < TIMES) {

            DC = new ArrayList<DistanceCollection>();

            for (int i = 0; i < K; i++) {

                cluster[i] = new Cluster();

            }

            for (int i = 0; i < dataList.size(); i++) {

                for (int j = 0; j < K; j++) {

                    DistanceCollection dist = new DistanceCollection();
                    dist.dataNum = dataList.get(i).dataNum;
                    dist.clusterNum = j;
                    dist.distanceFromCluster = euclidean(centroids[j], dataList.get(i));
                    DC.add(dist);

                }

            }

            // sort the distances for argmin(i,j) checking 
            Collections.sort(DC, new DistanceCollectionComparator());



            int totalAssignment = 2585;
            int assignedCluster = -1;
            int assignmentCount = 0;
            int[] dataSelectionCheck = new int[2407];
            int dataMatrix[][] = new int[6][2407];

            for (int i = 0;  assignmentCount < dataList.size(); i++) {

                int clusterNum = DC.get(i).clusterNum;
                int dataNum = DC.get(i).dataNum;

                if (dataMatrix[clusterNum][dataNum] == 0 && dataSelectionCheck[dataNum] == 0) {

                    cluster[clusterNum].dataMembers.add(dataList.get(dataNum));
                    dataMatrix[clusterNum][dataNum] = 1;
                    dataSelectionCheck[dataNum] = 1;

                    assignmentCount++;

                }

            }

            for (int i = 0; assignmentCount < totalAssignment; i++) {

                int clusterNum = DC.get(i).clusterNum;
                int dataNum = DC.get(i).dataNum;

                if (dataMatrix[clusterNum][dataNum] == 0) {

                    cluster[clusterNum].dataMembers.add(dataList.get(dataNum));
                    dataMatrix[clusterNum][dataNum] = 1; 

                    assignmentCount++;

                }

            }



            for (int i = 0; i < K; i++) {

                if (cluster[i].dataMembers.size() > 0) {

                    for (int j = 0; j < centroids[i].features.length ; j++) {

                        double accumFeaturesValue = 0;

                        for (int k = 0; k < cluster[i].dataMembers.size(); k++) {

                            accumFeaturesValue += cluster[i].dataMembers.get(k).features[j];

                        }

                        centroids[i].features[j] = accumFeaturesValue / cluster[i].dataMembers.size();

                    }
                }

            }


            count++ ;

        }