潘笑颜 娄铮铮 姬 波 叶阳东

(郑州大学信息工程学院 郑州 450001) (panxiaoyan@gs.zzu.edu.cn)

多视角生成模型的可解释性聚类

潘笑颜 娄铮铮 姬 波 叶阳东

(郑州大学信息工程学院 郑州 450001) (panxiaoyan@gs.zzu.edu.cn)

针对聚类中的多视角和可解释的问题，提出多视角生成模型的可解释性聚类算法(interpretable clustering with multi-view generative model, ICMG).ICMG能够产生多个视角的聚类划分，并通过视角的语义信息对聚类结果进行定性和定量地解释.首先，构建一种多视角生成模型(multi-view generative model, MGM)，该模型使用贝叶斯程序学习(Bayesian program learning, BPL)和嵌入多视角因素的贝叶斯案例模型(multi-view Bayesian case model, MBCM)生成多个视角.其次，基于视角的匹配度进行聚类得到多种聚类方案.最后使用视角的原型和子空间所附带的语义信息定性和定量地解释聚类结果.实验结果表明：ICMG能够得到多种可解释的聚类结果，相比于传统多视角聚类算法具有较明显的优势.

贝叶斯程序学习；贝叶斯案例模型；可解释；多视角；聚类

聚类将相似数据划分为同一簇，不相似数据划分为不同簇，进而捕捉到数据之间的模式结构[1-2].传统的聚类算法仅仅从单一视角对数据进行分析，并且由于聚类分析缺乏带有语义的类标签，因此得到的聚类结果单一化和不可解释.单一的和不可解释的聚类结果给决策者提供的信息非常匮乏，然而决策者需要参考丰富的信息来支撑自己的决策.例如针对一个主要地震带的地震数据，如果仅仅基于传统聚类对地震数据做一个划分，从这个划分中我们能了解到的地震信息极少；如果将地震数据……