买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明公开了基于自监督学习的深度多视图聚类方法、网络、装置及存储介质，属于深度多视图聚类领域，应用于异常点检测、多种产品的价值组合和目标用户的群体划分等多种应用场景，该方法使用了一种自监督的成对约束传播模型，通过融合的自编码器提取多个视图的潜在一致特征后基于多视图的共性特征可以自动地从数据中挖掘监督约束信息，随后用于优化聚类特征提取模型，充分地挖掘了数据的潜在价值，有效地降低了人工标记的成本同时提升了多视图聚类的性能，实验证明，本发明提出的方法相比现存的基准算法能取得更好的结果。

主权项：1.一种基于自监督学习的深度多视图聚类方法，其特征在于，包括：将原始多视图数据压缩到低维的潜在空间，获取视图潜在特征表示；对各视图潜在特征进行特征融合，获取多视图共享的潜在特征表示；通过对视图共享的潜在特征表示添加正交约束，获取视图共享的正交潜在特征表示，通过高斯核函数计算构建视图共享的相似度矩阵；获取各视图的潜在特征表示并构建对应的相似度矩阵，通过设置阈值提取必可信链接和必不可信链接，组成各视图的成对约束矩阵，通过求交集的方式选出可信度极高的成对约束组成视图共享的成对约束矩阵；通过传播网络将视图共享的成对约束矩阵在初始矩阵上进行扩散传播，获取完全传播的视图共享的成对约束矩阵，通过其调整视图共享的相似度矩阵，使视图共享的相似度矩阵融合约束信息表示实例之间的相似性，同时满足非负性和对称性，获取调整后的视图共享的相似度矩阵；将调整后的视图共享的相似度矩阵作为谱聚类模型的相似度矩阵输入进行聚类，获取多视图数据的簇划分结果；其中，通过设置阈值提取必可信链接和必不可信链接，组成各视图的成对约束矩阵，通过求交集的方式选出可信度极高的成对约束组成视图共享的成对约束矩阵的方法，包括：分别计算每一个视图潜在特征表示的相似度矩阵；设置必可信阈值和必不可信阈值，一组必连链接的成对约束为和一组必不连链接的成对约束为，其中是数据的类别标签；定义表示为第个视图中第个数据与第个数据的相似性程度，，规定如果，则定义；如果，则定义；将内对应的元素定义为，内对应的元素设置为，其余不确定的元素设置为，得到各视图对应的成对约束矩阵； 必可信与必不可信阈值通过约束选择率间接求得，定义为数据样本数，规定，从视图潜在特征的相似度矩阵中选择前个较大的值作为必可信实例对,则第个较大的必可信实例对对应的值为；规定，从视图潜在特征的相似度矩阵中选择前个较小的值作为必不可信实例对，第个较小的必不可信实例对对应的值为；通过求交集的方式从视图成对约束矩阵中筛选出可信度极高的成对约束组成视图共享的约束矩阵表示为： 。

全文数据：

权利要求：

百度查询： 大连理工大学 基于自监督学习的深度多视图聚类方法、网络、装置及存储介质