随着信息技术的高速发展,数据总量呈现出指数型增长的趋势.各个公司依托其强大的存储能力,不断地采集、整理和分析数据,希望从中挖掘出有价值的信息.大量数据存放于不同的数据站点或各种类型的服务器中.由于安全、隐私或其他技术原因的限制,各个公司不愿意分享本地数据从而无法在数据层面实现共享,因此只能在非数据层面进行信息交互.为了更好地利用不同层面的信息来探究本地数据站点的内部结构,基于协作机制的聚类算法应运而生.协作聚类的基本思想是首先在各个数据站点独立地运行聚类算法,然后通过交换每个数据站点的局部结构信息进行交互,从而揭示不同数据站点潜在的共同底层结构.其中证据聚类算法基于证据理论中信任划分的概念,拓展了传统硬划分、模糊划分和可能性划分算法,能够更好地了解数据的内在结构.本文在证据理论框架下,首次基于证据c-均值算法引入协作机制,提出了协作证据聚类的概念用于探究各个数据站点深层次的结构信息.首先,通过各数据站点簇结构信息中的信任划分矩阵建立证据理论框架下的协作机制,从而满足数据机密性要求.其次,考虑到存在信息交互过度和信息交互不充分性的问题,分别设计了单步协作和多步协作证据聚类算法,其中多步协作的次数由全局结构相似性指标有效地进行控制.接着,对于起到平衡本地数据信息和协作者结构信息的协作强度系数,为了便于用户自定义设置,我们给出簇间相似性和簇相对距离两个指标进行辅助指导.最后,为了证明协作证据聚类算法的有效性及各个指标的合理性,通过模拟数据集和UCI机器学习数据库中三个真实的数据集分别在全局水平上和局部水平上对协作效应进行了全面细致地考察.