文档介绍：硕士学位论文

多视图矩阵分解的聚类分析
Clustering Analysis on Multi-view Matrix Factorization

作者姓名：张祎
学科、专业：信息与通信工程学院
学号： 21509096
指导教师：孔祥维
完成日期：

大连理工大学
Dalian University of Technology
大连理工大学硕士学位论文
摘要
随着多媒体技术的飞速发展，人们可获得的信息越来越多，而这些信息中既包含大
量的无用信息，又存在很多的“看不见”的有用信息。因此，利用流行的机器学****和人
工智能等手段，对信息进行提取、挖掘和分析显得尤为重要。
聚类分析是一种无监督学****方法，它可以在没有任何先验知识的条件下，对数据集
进行聚类，使得类别内样本尽可能相似，类别间样本差异尽可能大。因此，作为一种数
据挖掘的重要手段，聚类分析可以揭露出样本间的从属关系，从而在模式识别、人工智
能等领域有着极为重要的意义。
多视图聚类分析因其利用多个不同视图特征的信息，可以更加全面地描述数据库，
从而获得比单视图聚类更好的聚类性能。传统的多视图聚类算法只考虑不同视图间的一
致性，而忽略了同一个视图内部不同样本在特征学****前后也应保持相同的相似程度。因
此，本文将局部空间结构约束引入传统的多视图学****框架，提出了一种多视图聚类算法
——MLN。但是，MLN 算法是基于 NMF 矩阵分解的，该方法只适用于非负的特征矩
阵。而现实场景中，很多数据的特征难免存在负数，因此本文又提出了基于 SemiNMF
矩阵分解的多视图聚类算法 MLSN。无论特征数据矩阵是否存在负数，MLSN 都有较好
的聚类性能。在三个公开的数据库上进行实验，结果证实 MLN 和 MLSN 算法都有着较
好的聚类性能。
线索集聚聚类作为一种集成聚类方法，可以通过结合策略将一组不同的基聚类器进
行集成，从而提高聚类的泛化能力，获得更高的聚类准确率。线索集聚聚类主要分为构
建共联矩阵和对其进行凝聚型层次聚类两个步骤。然而，传统的加权线索集聚聚类方法
仅考虑基聚类器的影响，或者仅考虑团簇质量的影响，而实际上二者都会影响样本间的
相关性。因此，本文提出一种新的加权线索集聚聚类方法——GLWEA。该方法在构建
共联矩阵时，将基聚类器质量和团簇质量都作为影响权重系数的因子，进而再使用凝聚
型层次聚类得到最后聚类结果的集成聚类方法。实验结果表明了该算法的有效性。
结合集成聚类的多视图聚类，可以利用集成聚类的优势来降低参数对多视图聚类的
影响，从而提高聚类性能。因此，本文将两种线索集聚聚类方法 LWEA 算法和 GLWEA
算法与多视图聚类算法 MLSN 相结合，得到了两种多视图矩阵分解的集成聚类方法——
LEMGSN 和 GLEMGSN。实验结果证实该算法相较于 MLSN 有所提高。