(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211007397.8 (22)申请日 2022.08.22 (71)申请人 中国科学院深圳先进技 术研究院 地址 518055 广东省深圳市南 山区深圳大 学城学苑大道1068号 (72)发明人 崔国盛　李烨　吴丹　 (74)专利代理 机构 深圳市铭粤知识产权代理有 限公司 4 4304 专利代理师 孙伟峰　武岑飞 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 10/10(2022.01) G06V 10/776(2022.01) (54)发明名称 多视图聚类方法、 终端设备以及计算机可读 存储介质 (57)摘要 本申请提出了一种多视图聚类方法、 终端设 备以及计算机可读存储介质。 该方法包括： 基于 多视图数据矩阵， 获取每个视图数据的锚点图矩 阵； 对每个视图数据的锚点图矩阵进行拼接， 得 到融合特异锚点图矩阵； 基于多视图数据矩阵， 获取多视图数据的共享锚点图矩阵； 拼接融合特 异锚点图矩阵和共享锚点图矩阵， 得到融合锚点 图矩阵； 基于融合锚点图矩阵， 获取多视图数据 的融合特征矩阵； 利用预设聚类算法对融合特征 矩阵进行聚类， 得到多视图数据的聚类结果。 本 申请提出的方法与同类基于锚点图的多视图聚 类方法以及 代表性不完备多视图聚类方法相比， 计算速度更快； 此外， 在多视图数据特异信息、 共 享信息发掘与融合方面的探索， 使所提出方法的 聚类精度更高。 权利要求书2页 说明书7页 附图3页 CN 115471688 A 2022.12.13 CN 115471688 A 1.一种多视图聚类方法， 其特 征在于， 所述多视图聚类方法包括： 获取多视图数据的多视图数据矩阵； 基于所述多视图数据矩阵， 获取每 个视图数据的锚点图矩阵； 对所述每 个视图数据的锚点图矩阵进行拼接， 得到融合特异锚点图矩阵； 基于所述多视图数据矩阵， 获取 所述多视图数据的共享锚点图矩阵； 拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵， 得到融合锚点图矩阵； 基于所述融合锚点图矩阵， 获取 所述多视图数据的融合特 征矩阵； 利用预设聚类算法对所述融合特 征矩阵进行聚类， 得到所述多视图数据的聚类结果。 2.根据权利要求1所述的多视图聚类方法， 其特 征在于， 所述基于所述多视图数据矩阵， 获取每 个视图数据的锚点图矩阵， 包括： 基于所述多视图数据矩阵， 获取每 个视图数据； 从所述每 个视图数据中采样若干样本构成对应视图数据的锚点矩阵； 利用所述锚点矩阵， 获取 所述每个视图数据的锚点图矩阵。 3.根据权利要求2所述的多视图聚类方法， 其特 征在于， 所述利用所述锚点矩阵， 获取 所述每个视图数据的锚点图矩阵， 包括： 利用所述锚点矩阵构建视图数据与视图锚点之间的第一目标函数； 通过最小化所述第一目标函数， 求取 所述锚点图矩阵。 4.根据权利要求2或3所述的多视图聚类方法， 其特 征在于， 所述利用所述锚点矩阵， 获取所述每个视 图数据的锚点图矩阵之后， 所述多视 图聚类 方法还包括： 对所述每 个视图数据的锚点图矩阵进行列规范化， 其 规范化方式如下： 其中， Zv为列规范化前的锚点图矩阵， 为列规范化后的锚点图矩阵。 5.根据权利要求1所述的多视图聚类方法， 其特 征在于， 所述基于所述多视图数据矩阵， 获取 所述多视图数据的共享锚点图矩阵， 包括： 初始化每 个视图数据的锚点矩阵， 以及 初始化所述共享锚点图矩阵； 构建关于所述锚点矩阵与所述共享锚点图矩阵的第二目标函数； 将所述多视图数据矩阵输入所述第 二目标函数， 通过迭代求解得到所述每个视图数据 的锚点矩阵和所述多视图数据的共享锚点图矩阵。 6.根据权利要求5所述的多视图聚类方法， 其特 征在于， 所述拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵， 得到融合锚点图矩阵， 包 括： 获取所述融合特异锚点图矩阵和所述共享锚点图矩阵之间的平衡参数； 利用所述平衡参数拼接所述融合特异锚点图矩阵和所述共享锚点图矩阵， 得到 融合锚 点图矩阵。 7.根据权利要求5或6所述的多视图聚类方法， 其特 征在于， 所述基于所述融合锚点图矩阵， 获取 所述多视图数据的融合特 征矩阵， 包括： 对所述融合锚点图矩阵进行奇异值分解， 得到由左奇异向量构 成的多视图数据的融合权　利　要　求　书 1/2 页 2 CN 115471688 A 2特征矩阵。 8.根据权利要求1所述的多视图聚类方法， 其特 征在于， 所述利用预设聚类算法对所述融合特征矩阵进行聚类， 得到所述多视图数据的聚类结 果之后， 所述多视图聚类方法还 包括： 基于所述多视图数据的聚类结果， 获取预测样本集， 其中， 所述预测样本集包括： 正样 本被正确预测 为正样本的个数、 负样本被正确预测为负样本的个数、 负样本被错误预测为 正样本的个数以及正样本被错 误预测为负 样本的个数； 基于所述预测样本集， 计算聚类结果评判指标， 用于 评判所述多视图数据的聚类效果； 其中， 所述聚类结果评判指标为 准确率、 精确率、 召回率和/或F ‑score值。 9.一种终端设备， 其特征在于， 所述终端设备包括处理器、 与所述处理器连接的存储 器， 其中， 所述存储器存储有程序指令； 所述处理器用于执行所述存储器存储的程序指令以实现如权利要求1至8任一项所述 的多视图聚类方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序指令， 所述程序 指令被执 行时实现如权利要求1至8任一项所述的多视图聚类方法。权　利　要　求　书 2/2 页 3 CN 115471688 A 3