(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111326424.3 (22)申请日 2021.11.10 (66)本国优先权数据 202110705655.9 2021.0 6.24 CN (71)申请人 浙江师范大学 地址 321004 浙江省金华市 婺城区迎宾大 道688号 (72)发明人 朱信忠　徐慧英　李苗苗　李洪波　 殷建平　赵建民　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 专利代理师 赵芳 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/16(2006.01)G06N 20/00(2019.01) (54)发明名称 基于矩阵分解和多划分对齐的多视图聚类 方法及系统 (57)摘要 本发明公开了基于矩阵分解和多划分对齐 的多视图聚类方法及系统。 其中， 本发明涉及的 基于矩阵分解和多划分对齐的多视图聚类方法， 包括： S1.获取聚类任务和目标数据样本； S2.对 获取的聚类任务和目标数据样本相对应的多视 图数据通过多层矩阵进行分解， 得到各个视图的 基础划分矩阵； S3.利用列变换将得到的各个视 图的基础划分矩阵进行融合对齐， 得到一致融合 后的划分矩阵； S4.将得到的各个视图的基础划 分矩阵以及一致融合后的划分矩阵进行统一， 并 构建统一后划分矩阵相对应的目标函数； S5.采 用交替优化方法优化构建的目标函数， 得到优化 后的统一划分矩阵； S6.对得到的优化后的统一 划分矩阵进行谱聚类， 得到最终的聚类结果。 权利要求书4页 说明书14页 附图1页 CN 115293220 A 2022.11.04 CN 115293220 A 1.基于矩阵分解和多划分对齐的多视图聚类方法， 其特 征在于， 包括： S1.获取聚类任务和目标 数据样本； S2.对获取的聚类任务和目标数据样本相对应的多视图数据通过多层矩阵进行分解， 得到各个视图的基础划分矩阵； S3.利用列变换将得到的各个视图的基础划分矩阵进行融合对齐， 得到一致融合后的 划分矩阵； S4.将得到的各个视图的基础划分矩阵以及一致融合后的划分矩阵进行统一， 并构建 统一后划分矩阵相对应的目标函数； S5.采用交替优化方法优化构建的目标函数， 得到优化后的统一划分矩阵； S6.对得到的优化后的统一划分矩阵进行谱聚类， 得到最终的聚类结果。 2.根据权利要求1所述的基于矩阵分解和多划分对齐的多视图聚类方法， 其特征在于， 所述步骤S4中构建统一后划分矩阵相对应的目标函数， 表示 为： 其中， α(v)表示对于第v个视图的权重； X(v)表示第v个视图的特征矩阵； 表示 第v个视图的第i层基础矩阵； λ表示划分学习和融合学习的一个平衡系数； H分 别表示第v个视图的基础划分矩阵、 列对齐矩阵、 一致融合后的划分矩阵； β(v)表示针对后 期 融合过程中第v个视图对应 基础划分的权 重； HT表示H的转置； W(v)T表示W(v)的转置。 3.根据权利要求2所述的基于矩阵分解和多划分对齐的多视图聚类方法， 其特征在于， 所述步骤S5中采用交替优化方法优化构建的目标函数， 具体包括： A1.固定变量 W(v)、 β 、 α(v)， 优化H， 则H的优化式表示 为： min‑tr(HU),s.t.H HT＝Ik 其中， 表示融合后的划分矩阵； A2.固定变量H、 W(v)、 β 、 α(v)， 优化 则 的优化式表示 为： 其中， 表示前i‑1个基矩阵的累乘； A3.固定变量 H、 W(v)、 β 、 α(v)， 优化 则 的优化式表示 为： 其中， 表示前i个 基矩阵的累乘； A4.固定变量 H、 W(v)、 β 、 α(v)， 优化 则 的优化式表示 为：权　利　要　求　书 1/4 页 2 CN 115293220 A 2其中， 表示前i个基矩阵的累乘； 表示 除了第v个视图对应的划分矩阵的其 他基础划分的融合； A5.固定变量 H、 β 、 α(v)， 优化W(v)， 则W(v)的优化式表示 为： min‑tr(W(v)TQ),s.t.W(v)W(v)T＝Ik 其中， 表示第v个视图的相似度和其对应的权 重的乘积； A6.固定变量 W(v)、 β 、 H， 优化α(v)， 则α(v)的优化式表示 为： 其中， 表示第v个视图的重构损失； A7.固定变量 W(v)、 H、 α(v)， 优化β， 则β 的优化式表示 为： β 的优化式化简为： 其 中 ， fT＝ [ f1,f2,…,fV] ， 表 示 不 同 视图 相 似 度 矩阵 的 迹 的 集 合 ； 表示第v个视图的相似度矩阵的迹 。 4.根据权利要求3所述的基于矩阵分解和多划分对齐的多视图聚类方法， 其特征在于， 所述步骤A1、 A 2、 A3、 A4、 A5中均还 包括： 通过SVD分解得到优化后的结果。 5.根据权利要求3所述的基于矩阵分解和多划分对齐的多视图聚类方法， 其特征在于， 所述步骤A4中还 包括： 构造拉格朗日函数， 求构造的拉格朗日函数对应的K KT条件， 得到 的更新， 表示 为： 其中， θu(ZHW)表示关于Z、 H、 W的一个函数， 作为公式的分子； θl(ZHW)表示关于Z、 H、 W的 一个函数， 作为公式的分母。 6.根据权利要求3所述的基于矩阵分解和多划分对齐的多视图聚类方法， 其特征在于， 所述步骤A6中还 包括： 构造拉格朗日函数， 求构造的拉格朗日函数对应的K KT条件， 得到α(v)的更新， 表示 为：权　利　要　求　书 2/4 页 3 CN 115293220 A 3