计算机应用

作者：李飞, 杜亮, 任超宏

单位：1. 山西大学 计算机与信息技术学院, 太原 030006;2. 山西大学 大数据科学与产业研究院, 太原 030006;3. 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：多核学习,概念分解,矩阵分解,多核聚类,全局融合

基金：国家自然科学基金资助项目（61502289）。

非负矩阵分解（NMF）算法仅能用于对原始非负数据寻找低秩近似，而概念分解（CF）算法将矩阵分解模型扩展到单个非线性核空间，提升了矩阵分解算法的学习能力和普适性。针对无监督环境下概念分解面临的如何设计或选择合适核函数这一问题，提出基于全局融合的多核概念分解（GMKCF）算法。同时输入多种候选核函数，在概念分解框架下基于全局线性权重融合对它们进行学习，以得出质量高稳定性好的聚类结果，并解决概念分解模型面临核函数选择的问题。采用交替迭代的方法对新模型进行求解，证明了算法的收敛性。将该算法与基于核的K-均值（KKM）、谱聚类（SC）、KCF（Kernel Concept Factorization）、Coreg（Co-regularized multi-view spectral clustering）、RMKKM（Robust Multiple KKM）在多个真实数据库上的实验结果表明，该算法在数据聚类方面优于对比算法。

来源：2019年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第4期