梁 凌，邓赵红，王士同

江南大学 人工智能与计算机学院，江苏 无锡214122

+通信作者E-mail:dengzhaohong@jiangnan.edu.cn

随着信息探索技术的高速发展，数据的多元性以及复杂性越来越高。例如在浏览一个网页的时候，可以由网页上的视频、图片以及超链接对其进行评价，此类信息被称为多视角数据[1-3]。大部分原始多视角数据没有标签，通过对这类无标签的多视角数据集进行整理及特征提取，可以发现这类数据在同一视角内存在个性化信息（差异性）[4]，而其在不同视角间又存在着共性信息（一致性）[5]。如何有效利用多视角数据的一致性以及差异性是多视角学习的一个重点。

多视角聚类作为多视角学习的一个重要分支，近年来已取得了重要进展。已有的多视角聚类方法可以由视角信息分成三大类：基于显式视角信息的多视角聚类、基于隐空间信息的多视角聚类、显隐视角协同的多视角聚类。分别回顾如下。

基于显式视角的多视角聚类：该类多视角聚类算法通常以K-means/模糊C-means 或者谱聚类算法为基础，把经典的单视角聚类目标函数扩展为多视角版本，并对目标函数添加约束项来实现不同视角间的协作。典型方法如下所示：Pedrycz 首次将协同的概念引入模糊聚类中，将模糊划分矩阵进行重构 后 得到CO-FCM（collaborative fuzzy clustering）[6]。Yamanishi等人由随机概率分布的形式得到了CO-EM（collaborative expectation-maximization algorithm）算法，并且在手写数据集上验证了算法的有效性[7]。Lu等提出了稀疏的多视角谱聚类，该方法计算拉普拉斯矩阵的特征向量后得到了稀疏的相似度矩阵，使得谱聚类的可解释性更强[8]。……