[发明专利]一种服装设计资源知识图谱构建中的多视角聚类方法

说明书

本发明具体涉及一种服装设计资源知识图谱构建中的多视角聚类方法，属于智能服装设计技术领域。首先将待聚类数据样本特征空间的每一维特征当成一个视角，形成多视角数据集，并利用模糊C均值算法在每一维特征空间上进行聚类，得到每一维特征空间的DBI指数；然后，构建基于变体信息熵的多视角聚类模型，其中，变体信息熵是指在香农熵中引入DBI指数来控制权重学习，并求解权重和视角模糊隶属度的迭代规则。进行迭代求解，且在迭代过程中，按照事先预定的约减规则，对噪声视角或者弱相关视角进行约减；最后，利用加权融合策略求解最终的聚类结果。本发明在服装设计资源知识图谱自底向上构建过程中，对命名实体的实体链接和语义消歧具有较好的效果。

技术领域

本发明具体涉及一种服装设计资源知识图谱构建中的多视角聚类方法，属于智能服装设计技术领域。

背景技术

服装设计资源知识图谱能够从语义层面为设计师提供辅助检索、智能推荐等功能，在服装设计行业具有极高的应用价值。在服装设计资源知识图谱自底向上构建过程中，对命名实体的实体链接和语义消歧不可或缺。聚类方法被广泛应用在实体链接和语义消歧过程中。从多个视角提取数据的特征并构建多视角聚类算法目前已有相关研究。例如：Chen等人在文献“TW-k-means:Automated two-level variable weighting clusteringalgorithm for multi-view data.IEEE Trans on Knowledge&Data Engineering,2013,25(4):932-944”中，提出了多视角聚类算法TW-k-means。该算法在k-means算法基础上，利用香农熵进行自适应双层加权,除了对视角加权外,还对每个视角中的样本进行加权。Jiang等人在文献“Collaborative Fuzzy Clustering From Multiple Weighted Views,IEEE Transactions on Cybernetics,vol.45,no.4,pp.688-701,April 2015”中，为了降低某一视角较差的样本分布对算法优化迭代时的干扰,在目标函数中引入香农熵,通过极大熵原理,使得视角的权重偏向于具有较好簇结构边界的视角,从而获取更好的全局划分。

在目前已有的多视角聚类方法中，大部分都是通过引入熵来进行视角权重的学习，最后将各个视角学习的结果进行加权融合，形成最终的聚类结果。虽然这类方法对于多视角数据具有一定的聚类效果，但是也具有一定的局限性。首先，在利用极大熵原理学习视角权重时，仅仅以目标函数取得最小值为优化准则，未考虑视角本身所包含的样本在特征空间的分布情况；第二，对于可能存在的噪声视角或者弱相关视角，未进行过滤。这类视角即使分配很小的权重，也可能对最终的聚类结果产生负影响。

发明内容

本发明针对现有技术中存在的不足，提出了一种服装设计资源知识图谱构建中的多视角聚类方法。

本发明为实现上述发明目的，采取的技术方案如下：

一种服装设计资源知识图谱构建中的多视角聚类方法，包括以下步骤：

步骤1、将待聚类数据样本特征空间的每一维特征当成一个视角，形成多视角数据集；

步骤2、利用模糊C均值算法在每一维特征空间上进行聚类，得到每一维特征空间的Davies-Bouldin指数；

步骤3、利用Davies-Bouldin指数构建基于变体信息熵的多视角聚类模型，并求解视角模糊隶属度，类中心以及视角权重系数的迭代规则；

步骤4、进行迭代求解，且在迭代过程中，利用制定的约减规则，对噪声视角或者弱相关视角进行约减；

步骤5、利用加权融合策略求解最终的聚类结果。

进一步的作为本发明的优选技术方案，所述步骤2中的变体信息熵是指在香农熵中引入Davies-Bouldin指数来控制权重学习。