本節書摘來自華章出版社《異構資訊網絡挖掘： 原理和方法法》一 書中的第2章，第2.1節，作者( 美）孫藝洲（yizhou sun），（美）韓家炜（jiawei han），更多章節内容可以通路雲栖社群“華章計算機”公衆号檢視。
對于基于連結的異構資訊網絡聚類，我們需要探索涉及異構資料類型的連結。在這章中，我們學習如何使用不同類型的連結來計算不同類型對象的排名，展示排名和聚類如何互相提高，并最終獲得合理的排名和聚類結果。我們将學習異構資訊網絡的兩個特例：二進制類型網絡和星型網絡。
為了更好地了解資訊網絡，許多分析技術被設計出來，不過它們大多是基于同構資訊網絡的，其中兩個方法值得關注：排名和聚類。一方面，根據數學化展示對象特征的排名函數，排名評價資訊網絡中的對象。通過這類函數，兩個定性或定量的對象可以按一種偏序進行比較。其中pagerank［10］和hits［34］或許是資訊網絡中最著名的排名算法。另一方面，聚類按照特定的相似性評價将對象進行分組，是以相似的對象在同一聚類中，反之不相似的對象則在不同的聚類中。總之，作為兩個基礎性的分析工具，排名和聚類可以用來總覽資訊網絡，是以被廣泛地應用于各種應用。
聚類和排名通常被視為不相幹的技術，它們獨立地應用于資訊網絡分析。然而，若隻使用它們中的一個來分析資訊網絡常常會導緻不完整，甚至有時帶有偏見的分析結果。例如，在不考慮資訊網絡中各個對象所屬聚類的前提下對它們進行排名，容易導緻得到無用的結果。例如，将資料庫和計算機體系的刊物或作者混在一起排名，沒有什麼意義；另外，無差别地将大量對象（如數千作者）聚集到一個類中也是沒有意義的。然而，将兩個功能（聚類和排名）內建在一起，則能得到更易于了解的結果，如例21所示。
繼續考慮同一資料集。如果我們聚集在db/dm領域的刊物，并且對該聚類中的刊物和作者進行排名，可以得到表23所示的結果。
例2.1表明，好的聚類确實提升了排名結果的品質。而且，考慮對象的排名通常能更好地了解每個聚類。通過整合聚類和排名，有助于得到更易于了解的網絡分析結果。
在這一章中，我們介紹兩個基于排名的聚類算法rankclus和netclus。它們分别适用于異構資訊網絡的兩種特例，即雙類型網絡和星型網絡。對這兩種類型的網絡，我們需要使用異構連結來計算排名和基于排名的聚類。