计算机应用

作者：李顺勇, 刘坤, 曹利娜, 赵兴旺

单位：1.山西大学 数学与统计学院，太原 030006；2.复杂系统与数据科学教育部重点实验室（山西大学），太原 030006；3.山西大学 计算机与信息技术学院，太原 030006；4.计算智能与中文信息处理教育部重点实验室（山西大学），太原 030006

关键词：多视图聚类,二部图,一致图,图融合,嵌入学习

基金：国家自然科学基金资助项目(82274360);山西省基础研究计划项目(202303021221054);山西省基础研究计划项目(202403021211086);山西省回国留学人员科研项目(2024-002)

目前大多数多视图聚类算法存在融合机制不够完善、对多视图协同关系挖掘不足以及鲁棒性较弱等问题，导致聚类结果一致性偏低，且在噪声和冗余信息下的性能不够稳健。针对上述问题，提出一种基于二部图和一致图学习的多视图聚类算法（BGC-MVC），旨在通过融合各视图信息来提升聚类的一致性和互补性。该算法通过构造二部图以捕获不同视图之间的邻域关系，并通过学习一致性图强化视图间的相似性。它将原始多视图数据的嵌入整合进一个统一的框架中，结合了图学习与聚类过程，从而能提高聚类的整体效果。实验结果表明，BGC-MVC在满足收敛性条件下的准确度、F-score、归一化互信息（NMI）和纯度均有明显的提升。其中，在MSRC_v1数据集上的F-score比LMVSC（Large-scale Multi-View Subspace Clustering）算法提高了19.48个百分点，并且表现出更强的鲁棒性与准确度。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期