这是一个比较新的聚类方法（文章中没看见作者对其取名，在这里我姑且称该方法为local density clustering，，LDC），在聚类这个古老的主题上似乎最近一些年的突破不大，这篇文章算是很好的了，方法让人很有启发（醍醐灌顶），并且是发表在Science上，受到的关注自然非常大。
本文的核心亮点：1是用比较新颖的方法来确定聚类中心，2是采用距离的local density来进行聚类的划分。在这两点中，常见的Kmeans算法采用的方法是：用每一类的均值作为中点，用距离的最近的点来确定聚类划分。下面对LDC方法进行描述。
首先来讲一下聚类中心，什么样的点才是好的聚类中心呢？作者认为需要满足下面两点： 1、样本点本身的密度大，即它周围点的密度应该小于它； 2、和比它密度更大的点之间的距离应该尽可能的大；
定义每个样本点的（1）局部密度函数，采用cut-off kernel：
赚钱之道很多，但是找不到赚钱的种子，便成不了事业家。
