随着信息技术,尤其是传感器网络与物联网等技术的飞速发展,各类复杂系统的数据呈海量性增长,从这些数据中挖掘与系统相关的规律与模式,对于理解、分析、运用与改造复杂系统具有至关重要的作用。作为数据挖掘的基础性工作,相似性度量方法直接关系后续数据挖掘任务的实现,一直是数据挖掘研究的热点与难点。属性网络作为有效的复杂系统建模工具,其相似性度量方法主要考虑节点在整个网络中的拓扑结构特征,往往忽略了节点自身的非关系型局部特征对相似性的贡献。如何分析节点的耦合异构、类型复杂、动态不确定的局部特征的相似性,并与节点在网络中的拓扑结构特征结合进一步分析节点的结构/属性平衡相似性,仍然缺乏系统性的探索与研究。本文从属性网络节点的局部特征入手,根据特征数据的内部特点和复杂性,提出了无监督学习下节点在多种局部特征数据类型上的相似性度量方法。在此基础上,结合节点在网络中的拓扑结构特征,进一步提出了能够有效平衡节点结构特征与属性特征的属性网络相似性度量方法:离散数据相似性度量方法。为了分析属性网络节点在离散数据特征上的相似性,考虑离散属性之间可能存在的复杂耦合关系,本文提出了一种基于异质加权图的离散数据相似性度量方法（HGS）。首先,通过对数据对象与属性值进行节点建模与边关系建模,将离散数据的二维信息表征转化为异质加权图表征;其次,在对相似值进行初始化后,迭代计算所有组合节点的相似值直至收敛,稳定后的相似值即为最终的相似性度量结果。最后,在聚类实验与相似性搜索实验中开展应用研究,并与多种离散数据相似性度量方法进行对比,验证了 HGS方法的有效性和可行性。通过异质加权图表征与迭代方式,本文所提出的HGS方法能够充分挖掘属性网络节点的离散属性之间、属性值之间以及存在强交互关系的属性值类之间的复杂耦合关系,实现科学有效的相似性度量。混合数据相似性度量方法。混合数据中包含离散属性和连续属性,是复杂系统单元常见的异构结构化数据类型。为了分析属性网络节点在混合数据特征上的相似性,考虑离散属性与连续属性之间可能存在的异构耦合关系,本文提出了一种基于异质耦合表征的混合数据集成相似性度量方法（HMVS）。首先,通过基于K-Means的连续属性自动离散化方式,将连续属性转化为离散属性,提取离散数据视图,并分析所有离散属性间的耦合关系,调整HGS方法对离散数据视图进行相似性度量;其次,通过相似性表征将离散属性转化为连续属性,提取连续数据视图,并基于最大信息系数方法捕获连续属性间的关联关系,在此基础上构建新的连续视图并通过欧氏距离度量相似性;接着,计算离散数据视图与连续数据视图下相似性的谐波均值,得到最终的集成相似性;最后,开展聚类实验应用研究验证了 HMVS方法的有效性与可行性。HMVS方法能够更加全面地捕获复杂系统单元混合数据特征的离散数据视图与连续数据视图,以及存在视图内部,视图之间的异构耦合关系,在聚类性能上也有大幅度的提升。时间序列相似性度量方法。时间序列是存在时序关系的一系列属性值,是复杂系统单元特征中常见的非结构化数据类型,可以有效刻画复杂系统单元的动态特性。为了衡量属性网络节点在时间序列特征上的相似性,本文提出了一种基于网格表征的时间序列相似性度量方法。首先,通过等间隔划分方式,构建二维网格,将一维时间序列转化为二维矩阵特征;其次,在网格表征基础上,分别提出了基于静态匹配的矩阵欧氏距离度量方法（GMED）与基于动态匹配的矩阵动态时间规整距离度量方法（GMDTW）,并分析了两者的度量性质与时间复杂度;最后,开展最近邻分类与聚类实验,并将所提出的两种相似性度量方法与其他常用方法进行对比,验证了时间序列相似性度量方法的可行性与有效性。属性网络相似性度量方法。属性网络在复杂网络基础上增加了节点属性信息,是一种典型的包含关系型与非关系型特征的异构数据类型,是常用的复杂系统建模工具。复杂系统单元之间的相似性不仅体现在单元之间的相互关系,也体现在单元丰富的属性信息上。因此,为了有效分析复杂系统单元之间的全局相似性,本文提出了一种同时考虑结构特征与属性特征的属性网络平衡相似性度量方法（ANS-Mixed）。首先,基于系统的拓扑结构特征,通过复杂网络对复杂系统进行表征。其次,通过带重启的随机游走方法,计算复杂网络中节点的结构相似性;再次,针对节点的离散特征、连续特征、混合特征与时间序列特征,分别采用前文提出的HGS、欧氏距离、HMVS方法与GMED/GMDTW方法,计算节点的属性相似性;接着,计算节点的结构/属性平衡相似性,并提出一种基于K-Mediods过程的权重自动调整方法确定不同属性的权重;最后,在多个属性网络数据集上验证了 ANS-Mixed方法的有效性与可行性,并说明了 ANS-Mixed方法可以有效平衡属性网络节点在结构与属性上的相似性,在聚类中获得具有较高密度边集与较好的属性同质性的簇结构。