摘要: 随着信息技术全球化发展，数据展现出高维度、多形态、多来源、复杂结构的特征。面对如此庞大的数据，传统的数据处理方式常常收益不大甚至大失所望，数据中蕴涵的诸多信息无法被获取和感知。因此，对于高维数据的高效处理是一个复杂但是有意义的过程... 展开 随着信息技术全球化发展，数据展现出高维度、多形态、多来源、复杂结构的特征。面对如此庞大的数据，传统的数据处理方式常常收益不大甚至大失所望，数据中蕴涵的诸多信息无法被获取和感知。因此，对于高维数据的高效处理是一个复杂但是有意义的过程，如果从高维数据中提取有用的特征并且将其成功地应用到实际应用中，是当下学者和研究人员们非常关注的专题。非负矩阵分解作为一种具有代表性的表征学习方法，可将高维非负矩阵分解为两个非负因子矩阵分别为基矩阵和系数矩阵，有效地挖掘和学习数据的低维结构和局部表征，从而可以高效地处理高维数据。 当下，大部分非负矩阵分解算法的首要方向针对于单视图数据。现阶段而言，对数据的需求越来越大，数据也呈现出海量、多样的特征，而多视图数据更是在大数据时代的常客。多视图数据会来源于各种各样的地方，或者是会基于不同的角度的不同描述。多视图数据信息丰富，多视图学习方法在各种任务中都优于单视图学习方法。通常来说，利用单视图数据的聚类算法的局限在于对于信息的全局性和全面性未能充分利用。因此当这类算法遇上多视图数据时，其算法的性能未能完美展示，从而使得最后的聚类性能受到影响。多视图聚类旨在消除这一瑕疵，能够整合多视图数据的差异和互补信息，得到了普遍的关注。 本文主要的研究工作如下： (1)提出了一种通用的基于结构正则化的多视图非负矩阵分解聚类方法，所提出的算法学习的表征可以实现局部和全局的一致性，不仅能够捕捉数据的全局和局部结构进行判别式学习，而且还通过利用多视图数据的多样性和差异性来学习表征。此外，采用高效的交替迭代算法优化目标函数可以得到最优的因子矩阵。在诸多数据集上的实验结果与其它聚类方法进行比较而言，所提出的算法展现出其优越性。 (2)提出了一种基于自适应局部结构学习的多视图非负矩阵分解聚类方法。结合了多视图数据的信息互补性和兼容性，同时融合了自适应结构感知学习，来对数据的局部结构信息和不同类别的判别信息的获取进行加强。与此同时，提出了一种有效的更新算法来解决优化问题，并从理论上保证了该算法的收敛性。在基准数据集上的实验结果与其它聚类方法进行比较，验证了所提出算法的有效性。 综上所述，本文面向多视图数据的相似性、互补性以及差异性，由此提出了两种面向多视图的非负矩阵分解聚类算法，并且通过理论分析和实验验证所提出的两种算法能有效提升多视图数据的聚类精度。 收起