论文部分内容阅读
为应对多视图数据激增而带来的挑战，多视图学习技术成为新的研究热点。在聚类领域，经典的聚类方法只适用于具有单一表示或单一视图的聚类对象。而在多视图聚类中，对于不同的聚类方法，不同视图之间的信息交互和更新的方式具有较大的差异，没有普适的通用方法。针对以上缺点，基于Co—training思想，根据信息交互更新方式的不同，提出了一种多视图AP聚类算法。该算法将各视图的归属度信息和吸引度信息交叉迭代，综合两种信息确定最后的聚类中心。实验结果表明，相较于单视图聚类和多视图数据直接拼接后再聚类等方法，所提的多视图AP聚