计算机应用研究

作者：连佳琪,王毅刚,储志伟,尹学松,

单位：杭州电子科技大学人文艺术与数字媒体技术学院,杭州310018；

关键词：多视图学习,非负矩阵分解,图正则化,主成分分析,聚类,

现存非负矩阵分解（non-negative matrix factorization，NMF）研究多考虑单一视图分解数据，忽略了数据信息的全面性。此外，NMF限制其获取数据的内在几何结构。针对以上问题，提出一个结构正则化多视图非负矩阵分解算法（structure regularized multi-view nonnegative matrix factorization，SRMNMF）。首先，通过主成分分析来对数据进行全局结构的判别式学习；其次，利用流形学习来捕获数据的局部结构；然后，通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能，更加有效地挖掘数据的结构信息。此外，采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法进行比较，所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。

来源：2022年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第10期