张 培，祝 恩，蔡志平

国防科技大学 计算机学院，长沙 410073

传统的聚类方法通过计算数据特征之间的相似度来对样本进行聚类。然而仅使用单一的特征可能会存在一定的偏差或不足。随着信息技术、数据挖掘技术等的发展，数据可以被不同类型的特征描述。例如相同语义使用多语言形式表示[1]；生物特征识别中可以使用人脸、指纹、掌纹以及虹膜等特征来唯一地标识一个人；网页包含文本、链接以及视频等多种模态的数据。这种使用不同的特征来描述的数据称为多视图数据。多视图数据不仅包含每个视图下特定信息，也包含视图之间互相补充的信息[2]。使用多视图数据进行聚类可以充分发挥各视图的优势，规避各自的局限，从而获得更好的聚类性能。

现有的多视图聚类算法可以被分为四类：直接连接的方法、多核聚类算法[3]、基于图的多视图聚类算法[4]以及多视图子空间聚类算法[5]。多视图子空间聚类算法通常包含基于矩阵分解的方法和基于子空间的方法。其中基于矩阵分解的方法[6-7]旨在从所有视图学习一个统一的特征表示。而基于自表达的多视图子空间聚类算法[8-9]在很多应用中展现了有效性和鲁棒性。其关键问题在于学习统一的子空间表示，从而揭示多个视图下理想的一致的聚类结构。现有的多视图子空间聚类方法大多是将多个图或表示矩阵融合成一致的图或表示矩阵，即在相似度级别上融合多视图信息。……