样本加权的多视图聚类算法

洪敏; 贾彩燕; 李亚芳; 于剑

doi:10.7544/issn1000-1239.2019.20190150

样本加权的多视图聚类算法

洪敏^1,2,
贾彩燕^1,2,
李亚芳³,
于剑^1,2

¹(交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京 100044)
²(北京交通大学计算机与信息技术学院北京 100044)
³(北京工业大学信息学部北京 100124) (16120372@bjtu.edu.cn)

基金项目: 国家自然科学基金项目(61876016,61632004)；中央高校基本科研业务费专项资金项目(2018JBZ006)

详细信息

中图分类号: TP301
计量
- 文章访问数: 1859
- HTML全文浏览量: 1
- PDF下载量: 841
出版历程
- 发布日期: 2019-07-31

Sample-Weighted Multi-View Clustering

Hong Min^1,2,
Jia Caiyan^1,2,
Li Yafang³,
Yu Jian^1,2

¹(Beijing Key Laboratory of Traffic Data Analysis and Mining (Beijing Jiaotong University), Beijing 100044)
²(School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044)
³(Faculty of Information Technology, Beijing University of Technology, Beijing 100124)

摘要

摘要: 大数据时代，人类收集、存储、传输、管理数据的能力日益提高，各行各业已经积累了大量的数据资源，这些数据常呈现出多源性和异构性.如何对这些多源数据进行有效的聚类(也称为多视图聚类)已成为当今机器学习研究关注的焦点之一.现有的多视图聚类算法主要从“全局”角度关注不同视图和特征对簇结构的贡献，没有考虑不同样本间存在的“局部”信息间的差异.因此，提出一种新的多视图样本加权聚类算法(sample-weighted multi-view clustering, SWMVC)，该算法对每个样本的不同视图进行加权，采用交替方向乘子法自适应学习样本权值，不仅可以学习不同样本点间不同视图权重的“局部”差异，还可以从学习到的“局部”差异反映出不同视图对簇结构贡献的“全局”差异，具有较好的灵活性.多个数据集上的实验表明：SWMVC方法在异质视图数据上具有较好的聚类效果.
- 数据挖掘 /
- 多视图 /
- 聚类 /
- K-means /
- 样本权重
Abstract: In the era of big data, the ability of humans to collect, store, transmit and manage data has been increasingly improved. Various industries have accumulated a large amount of data resources, which are often multi-source and heterogeneous. How to effectively cluster these multi-source data (also known as multi-view clustering) has become one of the focuses of today’s machine learning research. The existing multi-view clustering algorithms mainly pay attention to the contribution of different views and features to the cluster structure from the “global” perspective, without considering the “local” information complementary differences between different samples. Therefore, this paper proposes a new sample-weighted multi-view clustering (SWMVC). The method weights each sample with different views and adopts alternating direction method of multipliers (ADMM) to learn sample weight, which can not only learn the “local” difference of weights among multiple views in different sample points, but also reflect the “global” difference of the contribution of different views to the cluster structure, and has better flexibility. Experiments on multiple datasets show that the SWMVC method has a better clustering effect on heterogeneous view data.
- data mining /
- multi-view /
- cluster /
- K-means /
- sample weights

HTML全文

参考文献(0)

施引文献(51)

期刊类型引用(10)

1.	吴江，段一奇. 金融评论文本情感分析研究趋势与未来展望. 信息资源管理学报. 2025(01): 86-101 . 百度学术
2.	葛业波，刘文杰，顾雨晨. 融合情感分析和GAN-TrellisNet的股价预测方法. 计算机工程与应用. 2024(12): 314-324 . 百度学术
3.	高霞. 基于机器学习算法的金融市场趋势预测研究. 微型电脑应用. 2023(02): 30-32+40 . 百度学术
4.	李庆涛，林培光，王基厚，周佳倩，张燕，蹇木伟. 基于板块效应的深度学习股价走势预测方法. 南京师范大学学报(工程技术版). 2022(01): 30-38 . 百度学术
5.	刘月娟，王武. 基于多特征融合的股票走势预测研究. 云南民族大学学报(自然科学版). 2022(02): 227-234 . 百度学术
6.	马朋飞，史树斌，张小领. 移动式无线充电的无线传感器网络的数据收集分析. 数字技术与应用. 2022(08): 61-63 . 百度学术
7.	周佳倩，林培光，李庆涛，王基厚，刘利达. MDDE：一种基于投资组合的金融市场趋势分析方法. 南京大学学报(自然科学). 2022(05): 876-883 . 百度学术
8.	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法. 计算机工程与应用. 2021(24): 296-304 . 百度学术
9.	王基厚，林培光，周佳倩，李庆涛，张燕，蹇木伟. 结合公司财务报表数据的股票指数预测方法. 计算机应用. 2021(12): 3632-3636 . 百度学术
10.	辛强伟，唐云凯. 多维度数据组合的人工智能系统性能优化分析. 数字技术与应用. 2020(10): 36-38 . 百度学术