考虑到多视图数据之间的互补性和每个视图数据的高维度特性，提出了一种矩阵分解和相似度矩阵学习的多视图聚类算法。为了去除数据中存在的噪声，通过对每个视图的数据进行矩阵分解得到其潜在表示。最大化不同视图表示之间的独立性来得到不同视图的互补信息。为了融合不同视图的潜在表示，最大化最终数据表示的相似度与潜在表示的相似度。采用了最大化熵正则来限制潜在相似度矩阵的值和各视图的权重。3个真实数据库的实验表明，与比较算法相比，本文的聚类算法准确率分别高15%、9%和25%。
科研之友
微信
新浪微博
Facebook
分享链接
