[發明專利]一種基于圖數據的多視圖圖聚類方法

在審

• 申請號: 202110623717.1
• 申請日: 2021-06-04
• 公開（公告）號: CN113360719A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 康昭;林治平
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F16/906
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

1.一種基于圖數據的多視圖圖聚類方法，其特征在于，該方法包括如下步驟：

步驟1：將給定數據集中的節點特征和節點關系一起轉換為一個無向圖其中代表給定數據集中的節點集合，E_v表示第v個視圖節點之間關系的集合，v＝1，2，...，V，代表了無向圖G中的節點數，表示了節點i與節點j在第v個視圖之中的聯系，表示第v個視圖的節點特征，其中，表示第v個視圖中第k個節點的特征取值，k＝1，2，...，n；表示第v個視圖有n個節點，每個節點的特征維度為d；無向圖G采用多視圖鄰接矩陣表征，代表的第i行第j列數據，具體而言，當時，當時，由此獲得第v個視圖的對稱標準化鄰接矩陣如下所示：

其中D_v是第v個視圖對應的度矩陣，I為單位矩陣；

步驟2：通過第v個視圖的對稱標準化鄰接矩陣A_v，結合現實世界中的信號特性，采用一個低通濾波器來阻斷高頻信號，X^v通過該低通濾波器后得到第v個視圖節點特征的平滑表征表示為：

其中k表示該低通濾波器階數，k是一個非負的整數，L_v＝I-A_v表示第v個視圖標準化的圖拉普拉斯矩陣；

步驟3：對于單視圖的自表達模型，其目標函數表示為：

其中，α＞0是一個預設的平衡參數，是參數矩陣，表示單視圖節點特征的平滑表征，是步驟2中的單視圖的形式表達，表示矩陣的轉置，表示L2范數的平方，單視圖的自表達模型的目標函數第一項表征的是自重建誤差，第二項Θ(S)是一個正則項，需要根據實際情況設置合適的正則項Θ(S)；

步驟4：第v個視圖的對稱標準化鄰接矩陣A_v為稀疏矩陣，并且只表述了節點之間的一階相似性，很難充分利用節點之間的潛藏信息，因此采用圖的高階鄰近信息表示，圖的高階鄰近信息表示如下：

f(A)＝A+A²+…+A^P

其中f(A)就是高階鄰近信息表示，A是A_v的單視圖表達，P為多項式階數，且P是一個正整數；

步驟5：利用高階鄰近信息表示f(A)，對單視圖的自表達模型中的正則項進行改進，改進后得到單視圖圖聚類模型的目標函數，所述單視圖圖聚類模型的目標函數表示如下：

步驟6：進一步引入權重機制，對每一個視圖執行步驟2的操作，得到每一個視圖低通濾波后的結果，將單視圖圖聚類模型擴展到多視圖圖聚類模型上去，多視圖圖聚類模型的目標函數表示為：

其中λ^v是第v個視圖的權重參數，γ＜0是一個預設的平滑參數，表示第v個視圖節點特征的平滑表征，f(A_v)表示第v個視圖的高階鄰近信息表示；

步驟7：采取交替優化的優化方法，迭代求解所述多視圖圖聚類模型的目標函數中的參數矩陣S，具體優化步驟如下：

S1：初始化迭代次數t＝0和隨機初始化S，初始化λ^v＝1/v；

S2：循環執行S3-S4，直到∈為預先設定的收斂值；

S3：計算S_t如下所示：

其中，I為單位矩陣；

S4：計算λ^v如下所示：

其中

最終得到參數矩陣S；

步驟8：根據步驟7所計算得到的參數矩陣S，將作為譜聚類的輸入得到最終的聚類結果。

2.根據權利要求1所述的基于圖數據的多視圖圖聚類方法，其特征在于，所述給定數據集為ACM，DBLP或IMDB。

3.根據權利要求2所述的基于圖數據的多視圖圖聚類方法，其特征在于，所述低通濾波器階數k＝2。

4.根據權利要求3所述的基于圖數據的多視圖圖聚類方法，其特征在于，所述平衡參數α＝{0.1，1，10，50，100，1000}。

5.根據權利要求4所述的基于圖數據的多視圖圖聚類方法，其特征在于，所述多項式階數P＝2。