본 논문은 범주형 데이터의 클러스터링 문제를 해결하기 위해 새로운 순서 거리 메트릭 학습 방법을 제안합니다. 기존의 범주형 데이터 클러스터링은 유클리드 거리와 같은 명확한 메트릭 공간이 부재하여 정보 손실이 발생하는 문제점을 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 범주형 속성 값들의 최적 순서 관계를 학습하고, 이를 통해 수치형 속성처럼 직선상에서 거리를 정량화하는 새로운 순서 거리 메트릭을 제시합니다. 모호하고 퍼지한 특성을 지닌 범주형 데이터의 특성을 고려하여, 클러스터링 과정과 순서 거리 메트릭 학습을 동시에 수행하는 새로운 공동 학습 패러다임을 개발하였습니다. 이는 계산 복잡도가 낮고 수렴이 보장되는 특징을 가지며, 범주형 및 혼합 데이터셋에서 우수한 클러스터링 정확도를 달성합니다. 또한, 학습된 순서 거리 메트릭은 비직관적인 범주형 데이터의 이해와 관리를 용이하게 합니다. 실험 결과, 제안된 방법의 효과를 검증하였으며, 소스 코드 또한 공개하였습니다.
