[发明专利]不完整多视角数据的聚类方法、电子设备

说明书

本公开提供一种不完整多视角数据的聚类方法、电子设备，所述方法包括：通过多视角自编码器对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；通过单层神经网络模型对完整多视角数据的局部结构进行学习，并利用图卷积网络对完整多视角数据的局部结构信息进行提取，以得到完整多视角数据各视角的节点特征表示；基于统一特征表示以及节点特征表示，通过预设的聚类算法进行聚类得到完整多视角数据的聚类结果。本公开的技术方案在补全不完整多视角数据的缺失特征后，通过结合多视角数据的全局结构和局部结构，增强多视角数据的特征表示，进而获得更准确的多视角数据的聚类结果。

技术领域

本公开涉及数据分析技术领域，尤其涉及一种不完整多视角数据的聚类方法、电子设备。

背景技术

现有的不完整多视角数据的聚类方法一般利用深度多视角自编码器对来自多个视角的数据学习统一的数据表示，对每个视角的特征都建立一套多视角自编码器，其包括编码器部分和解码器两个部分。对于不完整的多视角数据，采用加权融合的方式，把各个视角编码器的输出融合并统一表示，同时，在统一表示学习过程中加入图嵌入约束，使得所学的表示能够保留局部结构信息，此外，在统一表示层后加入聚类的损失函数，对多视角数据进行聚类。

传统的不完整多视角数据的聚类方法没有补全缺失的多视角特征，对于全局结构信息和局部结构信息没有进行同时利用，也没有对不同视角的重要性分配权重，导致最终无法对多视角数据准确聚类。

发明内容

有鉴于此，本公开的目的在于提出一种用于解决上述问题的不完整多视角数据的聚类方法、电子设备。

基于上述目的，本公开提供了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。

基于同一发明构思，本公开还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。

从上面所述可以看出，本公开提供的不完整多视角数据的聚类方法、电子设备，通过对不完整多视角数据缺失的多视角特征进行补全，能够得到完整的多视角数据，从而避免由数据缺失对聚类性能产生的影响；通过对补全后的完整多视角数据的局部结构信息进行学习并提取，能够得到多视角数据的内在分布规律，从而有效提升多视角聚类性能；基于多视角数据的全局结构信息和局部结构信息，并利用多核聚类算法对不同视角分配不同的权重，进而获得更准确、可靠的聚类结果。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例的不完整多视角数据的聚类方法流程图；

图2为本公开实施例的对多视角自编码器和图卷积网络进行自监督训练的流程图；

图3为本公开实施例的不完整多视角数据的聚类装置结构示意图；