黄奕轩，杜世强，，余瑶，肖庆江，宋金梅

（1.西北民族大学 数学与计算机科学学院，兰州 730030；2.西北民族大学 中国民族信息技术研究院，兰州 730030）

0 概述

随着数据收集和存储能力的提高，各领域已经积累了丰富的数据资源，快速对这些数据进行处理、分析和分类尤为重要。聚类［1-2］作为处理和分析数据的高效方法之一，已被广泛应用于机器学习、模式识别和数据挖掘等领域。

由于信息源的多样性，越来越多的多视图数据不断涌入人们的生活，为了对多视图数据进行分类，一系列多视图聚类方法相继被提出。多视图聚类通过融合多个视图的互补信息和兼容信息，从而获得更稳定的聚类性能。其中用于多视图的谱聚类算法［3-4］和K-means［5-7］算法应用最为广泛。与K-means聚类相比，谱聚类作为一种基于图的算法，在检测数据结构方面有着更强的能力［8］。根据图构建方式的不同，现有的多视图聚类方法主要分为两类：基于自表示的子空间多视图聚类和基于自适应近邻图学习的多视图聚类。

基于自表示的子空间多视图聚类算法用剩余其他数据点的线性组合来表示某一数据点，得到的系数矩阵即为图矩阵，其在滤除噪声影响的同时获取了数据样本的全局结构。文献［9］对表示矩阵施加低秩约束来捕获数据样本的全局结构。潜在嵌入空间的多视图聚类模型［10］先将各视图数据映射为共同的表示矩阵，然后再学习全局相似图进行谱聚类。文献［11］提出一种基于自适应图的子空间学习框架，通过同时学习数据的低秩表示和局部结构来获得子空间的最佳全局表示。……