Cet article propose une nouvelle méthode d'apprentissage de la distance ordinale pour résoudre le problème de clustering des données catégorielles. Le clustering actuel des données catégorielles souffre d'une perte d'information due à l'absence d'un espace métrique clair, tel que la distance euclidienne. Pour y remédier, cet article propose une nouvelle métrique de distance ordinale qui apprend la relation ordinale optimale entre les valeurs des attributs catégoriels et quantifie la distance le long d'une ligne droite, à la manière d'un attribut numérique. Compte tenu de la nature ambiguë et floue des données catégorielles, nous développons un nouveau paradigme d'apprentissage conjoint qui effectue simultanément le clustering et l'apprentissage de la distance ordinale. Cette méthode présente une faible complexité de calcul, une convergence garantie et une excellente précision de clustering sur des ensembles de données catégorielles et mixtes. De plus, la métrique de distance ordinale apprise facilite la compréhension et la gestion des données catégorielles non intuitives. Les résultats expérimentaux démontrent l'efficacité de la méthode proposée, et le code source est également accessible au public.
