基于图卷积神经网络的多视角聚类

李勇振，廖湖声

1.北京工业大学 信息学部，北京100124

2.北京建筑大学 电气与信息工程学院，北京100044

随着信息技术的飞速发展以及互联网应用的日益丰富，可用数据规模越来越大，数据的表现形式也越来越多样。例如，网页可以由网页中出现的图片、文字以及超级链接进行表达，又比如文本可以由词频、词向量等多种描述算子进行刻画。这种描述相同语义的不同特征表达称之为多视角数据。一般来说，多视角数据描述相同的语义又相互补充，表现为互补与一致特性。多视角聚类通过挖掘上述特性获得了相比于单视角聚类的有效性能提升，并在数据挖掘、模式识别、信息检索等领域产生广泛的应用[1]。

近些年来，研究者提出了大量的多视角聚类算法并取得了优异的聚类性能。一般来说，典型多视角聚类算法包含亲和矩阵/图学习算法[2]、子空间学习算法[3]、协同训练算法[4]以及后融合算法[5]。例如，Chaudhuri等人[6]采用典型相关分析算法实现两视角数据最大相关性挖掘。Kumar等人[7]基于谱分解技术提出学习不同视角相似或一致的子空间嵌入，进而实现多视角嵌入学习。Zhao等人[8]引入层次学习思想，提出多视角深度矩阵分解，不同视角数据共享一致的深度子空间嵌入。Zhan等人[9]基于标准非负矩阵分解技术提出自适应的多视角语义分解技术以学习不同视角一致的子空间表达。

在各种不同类别的多视角聚类算法中，研究者主要致力于互补与一致性的显式或隐式挖掘与建模。……