[发明专利]多视图聚类方法、终端设备以及计算机可读存储介质

权利要求书

1.一种多视图聚类方法，其特征在于，所述多视图聚类方法包括：

获取多视图数据的多视图数据矩阵；

基于所述多视图数据矩阵，获取每个视图数据的锚点图矩阵；

对所述每个视图数据的锚点图矩阵进行拼接，得到融合特异锚点图矩阵；

基于所述多视图数据矩阵，获取所述多视图数据的共享锚点图矩阵；

拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵，得到融合锚点图矩阵；

基于所述融合锚点图矩阵，获取所述多视图数据的融合特征矩阵；

利用预设聚类算法对所述融合特征矩阵进行聚类，得到所述多视图数据的聚类结果。

2.根据权利要求1所述的多视图聚类方法，其特征在于，

所述基于所述多视图数据矩阵，获取每个视图数据的锚点图矩阵，包括：

基于所述多视图数据矩阵，获取每个视图数据；

从所述每个视图数据中采样若干样本构成对应视图数据的锚点矩阵；

利用所述锚点矩阵，获取所述每个视图数据的锚点图矩阵。

3.根据权利要求2所述的多视图聚类方法，其特征在于，

所述利用所述锚点矩阵，获取所述每个视图数据的锚点图矩阵，包括：

利用所述锚点矩阵构建视图数据与视图锚点之间的第一目标函数；

通过最小化所述第一目标函数，求取所述锚点图矩阵。

4.根据权利要求2或3所述的多视图聚类方法，其特征在于，

所述利用所述锚点矩阵，获取所述每个视图数据的锚点图矩阵之后，所述多视图聚类方法还包括：

对所述每个视图数据的锚点图矩阵进行列规范化，其规范化方式如下：

其中，Z^v为列规范化前的锚点图矩阵，为列规范化后的锚点图矩阵。

5.根据权利要求1所述的多视图聚类方法，其特征在于，

所述基于所述多视图数据矩阵，获取所述多视图数据的共享锚点图矩阵，包括：

初始化每个视图数据的锚点矩阵，以及初始化所述共享锚点图矩阵；

构建关于所述锚点矩阵与所述共享锚点图矩阵的第二目标函数；

将所述多视图数据矩阵输入所述第二目标函数，通过迭代求解得到所述每个视图数据的锚点矩阵和所述多视图数据的共享锚点图矩阵。

6.根据权利要求5所述的多视图聚类方法，其特征在于，

所述拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵，得到融合锚点图矩阵，包括：

获取所述融合特异锚点图矩阵和所述共享锚点图矩阵之间的平衡参数；

利用所述平衡参数拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵，得到融合锚点图矩阵。

7.根据权利要求5或6所述的多视图聚类方法，其特征在于，

所述基于所述融合锚点图矩阵，获取所述多视图数据的融合特征矩阵，包括：

对所述融合锚点图矩阵进行奇异值分解，得到由左奇异向量构成的多视图数据的融合特征矩阵。

8.根据权利要求1所述的多视图聚类方法，其特征在于，

所述利用预设聚类算法对所述融合特征矩阵进行聚类，得到所述多视图数据的聚类结果之后，所述多视图聚类方法还包括：

基于所述多视图数据的聚类结果，获取预测样本集，其中，所述预测样本集包括：正样本被正确预测为正样本的个数、负样本被正确预测为负样本的个数、负样本被错误预测为正样本的个数以及正样本被错误预测为负样本的个数；

基于所述预测样本集，计算聚类结果评判指标，用于评判所述多视图数据的聚类效果；

其中，所述聚类结果评判指标为准确率、精确率、召回率和/或F-score值。

9.一种终端设备，其特征在于，所述终端设备包括处理器、与所述处理器连接的存储器，其中，

所述存储器存储有程序指令；

所述处理器用于执行所述存储器存储的程序指令以实现如权利要求1至8任一项所述的多视图聚类方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序指令，所述程序指令被执行时实现如权利要求1至8任一项所述的多视图聚类方法。