基于双层优化的多视角子空间聚类算法及应用

发布时间：2025-02-11 20:30

　　多视角数据相对单一视角数据针对同一数据集能够提供更丰富的信息来表示其潜在结构,在聚类问题中倍受关注。多视角数据聚类的传统方法通常假设所有视角下样例都具有完整的特征集。然而,在实际应用中,经常会出现在某些视角下样例丢失特征集的情况,导致聚类性能显著退化,由此引出了局部多视角数据聚类问题。子空间方法可将高维特征的数据映射到一个低维子空间,能较好地处理多视角数据,在多视角学习中有着广泛应用。然而,多数此类工作都将来自多个视角的各种正则化项组合到一个单层目标中,导致优化模型极其复杂,无法保证收敛,尤其是在局部数据场景中。针对以上问题,本文提出了一个双层协同因子分解(Bilevel Collaborative Factorization,BCF)框架来改善现有的基于因子分解的局部多视角聚类方法的局限性。BCF模型将数据划分为共享样本和局部样本,在上下两层子问题中分别对跨多个视角和单个视角下的矩阵分解进行建模。设计了平均型迭代方案来推导BCF算法,并从理论上证明了其收敛性。在基准数据集上的大量实验结果表明,本文提出的BCF算法优于其他算法。舆情分析是聚类问题的一大重要应用领域,对于新闻的舆情研究,需...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外相关工作研究进展
    1.3 本文的研究内容
    1.4 文章结构安排
2 相关数学基础
    2.1 双层优化
    2.2 聚类算法
        2.2.1 传统聚类算法
        2.2.2 其他聚类方法
    2.3 多视角聚类
        2.3.1 完整多视角聚类
        2.3.2 局部多视角聚类
    2.4 基于子空间学习的聚类
        2.4.1 子空间学习
        2.4.2 子空间聚类算法
    2.5 本章小结
3 基于双层优化的多视角子空间聚类算法
    3.1 核心思想
    3.2 目标函数
        3.2.1 双视角下的BCF模型
        3.2.2 一般情况下的BCF模型
        3.2.3 算法求解
    3.3 算法分析
        3.3.1 收敛性分析
        3.3.2 复杂度分析
    3.4 实验结果与分析
        3.4.1 数据集
        3.4.2 对比算法
        3.4.3 聚类性能分析
        3.4.4 消融性分析
        3.4.5 参数设置
    3.5 本章小结
4 算法在舆情分析中的应用与实现
    4.1 舆情分析系统采用相关技术
        4.1.1 Python爬虫
        4.1.2 数据库方案
    4.2 新闻舆情聚类实现
        4.2.1 新闻数据集获取
        4.2.2 数据集预处理
        4.2.3 聚类分析
        4.2.4 舆情分析
    4.3 算法应用实验分析
    4.4 本章小结
结论
参考文献
致谢



本文编号：4033811