[发明专利]不完整多视角数据的聚类方法、电子设备

权利要求书

1.一种不完整多视角数据的聚类方法，包括：

通过预先训练的多视角自编码器获取所述不完整多视角数据的数据重构表示；

根据所述数据重构表示，对所述不完整多视角数据缺失的多视角特征进行补全，以得到完整多视角数据及其统一特征表示；

通过预先训练的单层神经网络模型对所述完整多视角数据的局部结构进行自适应学习，以得到所述完整多视角数据的图；

基于所述完整多视角数据的图，利用预先训练的图卷积网络对所述完整多视角数据的局部结构信息进行提取，以得到所述完整多视角数据各视角的节点特征表示；

基于所述统一特征表示以及所述节点特征表示，通过预设的聚类算法对所述完整多视角数据进行聚类，得到聚类结果。

2.根据权利要求1所述的方法，其中，所述多视角自编码器是利用以下损失函数L_R而被训练的：

其中，n表示样本数量，V表示视角总数，X^(v)表示不完整多视角数据的特征矩阵，P^(v)表示对角矩阵，用于标记缺失样本，表示第i个样本在第v个视角中时存在的，否则X^(v)表示完整多视角数据的特征矩阵。

3.根据权利要求2所述的方法，其中，所述完整多视角数据的图S^(v)中第i个节点和第j个节点之间的相似度由下式表示：

其中，σ表示激活函数，a^(v)表示所述单层神经网络模型的网络参数，表示完整多视角数据第i个样本在第v个视角的特征，表示完整多视角数据第j个样本在第v个视角的特征，表示完整多视角数据第k个样本在第v个视角的特征。

4.根据权利要求3所述的方法，其中，所述单层神经网络模型通过如下第一目标函数对所述完整多视角数据的局部结构进行学习：

其中，n表示样本数量，V表示视角总数，λ表示调节图稀疏度的参数。

5.根据权利要求3所述的方法，其中，所述图卷积网络的卷积层由下式表示：

其中，表示第v个视角的所述图卷积网络的第l层，D^(v)表示对角矩阵，所述对角矩阵的对角元素表示卷积层的权重矩阵，σ表示激活函数。

6.根据权利要求1所述的方法，其中，所述基于所述统一特征表示以及所述节点特征表示，通过预设的聚类算法进行聚类得到所述完整多视角数据的聚类结果包括：

基于所述完整多视角数据各视角所学的节点特征表示，确定第一核矩阵；

基于所述完整多视角数据各样本的统一特征表示，确定第二核矩阵；

通过多核聚类算法对所述第一核矩阵和第二核矩阵进行融合，以得到统一的核矩阵表示；

基于所述核矩阵表示，并通过所述多核聚类算法的目标函数确定待学习的嵌入矩阵；

对所述待学习的嵌入矩阵进行k均值聚类，以得到所述完整多视角数据各样本的聚类结果。

7.根据权利要求4所述的方法，其中，所述多视角自编码器和所述图卷积网络是通过下列方式而被训练的：

将所述统一特征表示和所述节点特征表示进行拼接，以得到新的多视角数据表示；

将所述多视角数据表示输入至神经网络模型的全连接层，以得到对各样本的类别预测结果；

基于所述类别预测结果和所述聚类结果，利用如下第二目标函数对所述多视角自编码器和所述图卷积网络进行自监督训练：

其中，表示通过softmax函数对类别预测结果y_i的归一化结果，φ_i表示基于聚类结果q_i获得的第i个样本的伪类别，表示类别的聚类中心向量，θ表示权重参数。