본 논문은 범주형 데이터의 클러스터링 문제를 해결하기 위해 새로운 거리 측정 방법을 제안한다. 기존의 범주형 데이터는 유클리드 거리와 같은 명확한 메트릭 공간을 갖지 않아 클러스터링 과정에서 정보 손실이 발생할 수 있다는 문제점을 지적한다. 이를 해결하기 위해, 본 논문에서는 범주형 속성 값들의 최적 순서 관계를 학습하고 수치형 속성과 유사하게 선형 공간에서 거리를 정량화하는 새로운 순서 거리 측정 방법을 제시한다. 주관적인 범주형 값의 모호성과 퍼지성을 고려하여, 클러스터링 과정과 함께 순서 거리 측정 방법을 학습하는 새로운 공동 학습 패러다임을 개발하였다. 이 방법은 낮은 시간 복잡도와 수렴 보장을 제공하며, 범주형 및 혼합 데이터셋에서 우수한 클러스터링 정확도를 달성한다. 학습된 순서 거리 측정법은 비직관적인 범주형 데이터의 이해와 관리를 용이하게 한다. 다양한 실험을 통해 제안된 방법의 효과를 검증하였으며, 소스 코드를 공개하였다.
