7步走写摘要:Multi-view multiple clustering

本篇论文发表于IJCAI International Joint Conference on Artificial Intelligence (2019)，CCF A类。

本栏目着重于学习怎么样写论文摘要。从一个七步走的方法对论文摘要进行叙述，每一步需要写什么，怎么写。

多重聚类旨在探索替代性聚类，以便从不同角度将数据组织成有意义的组。现有的多种聚类算法是为单视图数据设计的。我们假设可以利用多视图数据的个性和共性来生成高质量和多样化的聚类。为此，我们提出了一种新颖的多视图多聚类（MVMC）算法。 MVMC首先适应多视图自我表示学习，以探索多视图数据的个性编码矩阵和共享共性矩阵。使用Hilbert-Schmidt独立准则（HSIC），它还可以减少矩阵之间的冗余度（即增强个性），并通过强制共享矩阵在所有视图之间保持平滑来收集共享信息。然后，它将单个矩阵与共享矩阵一起使用矩阵分解，以生成各种高质量的聚类。我们进一步扩展了对多视图数据的多共聚，并提出了一种称为多视图多共聚（MVMCC）的解决方案。我们的经验研究表明，MVMC（MVMCC）可以利用多视图数据来生成多个高质量和多样化的聚类（共聚类），其性能优于最新方法。	Multiple clustering aims at exploring alternative clusterings to organize the data in meaningful groups from different perspectives. Existing multiple clustering algorithms are designed for single-view data. We assume that the individuality and commonality of multi-view data can be leveraged to generate high-quality and diverse clusterings. To this end, we propose a novel multi-view multiple clustering (MVMC) algorithm. MVMC first adapts multi-view self-representation learning to explore the individuality encoding matrices and the shared commonality matrix of multi-view data. It additionally reduces the redundancy (i.e., enhancing the individuality) among the matrices using the Hilbert-Schmidt Independence Criterion (HSIC), and collects shared information by forcing the shared matrix to be smooth across all views. It then uses matrix factorization on the individual matrices, along with the shared matrix, to generate diverse clusterings of high-quality. We further extend multiple co-clustering on multi-view data and propose a solution called multi-view multiple co-clustering (MVMCC). Our empirical study shows that MVMC (MVMCC) can exploit multi-view data to generate multiple high-quality and diverse clusterings (co-clusterings), with superior performance to the state-of-the-art methods.
第一步: 交代研究背景	Multiple clustering aims at exploring alternative clusterings to organize the data in meaningful groups from different perspectives.
第二步: 概括当前方法	Existing multiple clustering algorithms are designed for single-view data.
第三步: 一般介绍现有方法的不足，论文给出的一些解决办法。	We assume that the individuality and commonality of multi-view data can be leveraged to generate high-quality and diverse clusterings.
第四步: 提出当前的方法	To this end, we propose a novel multi-view multiple clustering (MVMC) algorithm.
第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍	MVMC first adapts multi-view self-representation learning to explore the individuality encoding matrices and the shared commonality matrix of multi-view data. It additionally reduces the redundancy (i.e., enhancing the individuality) among the matrices using the Hilbert-Schmidt Independence Criterion (HSIC), and collects shared information by forcing the shared matrix to be smooth across all views. It then uses matrix factorization on the individual matrices, along with the shared matrix, to generate diverse clusterings of high-quality. We further extend multiple co-clustering on multi-view data and propose a solution called multi-view multiple co-clustering (MVMCC).
第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。（可有，也可以没有，视具体论文而定）
第七步: 简要介绍一下实验，这个比较的套路，一般都是这个套路。	Our empirical study shows that MVMC (MVMCC) can exploit multi-view data to generate multiple high-quality and diverse clusterings (co-clusterings), with superior performance to the state-of-the-art methods.

 

摘要解读
第一步: 交代背景：多视角数据的普遍性和重要性

第二步: 概括当前方法 。

第三步: 一般介绍现有方法的不足 

第四步: 提出当前的方法

第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍 

第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。

第七步: 简要介绍一下实验，这个比较的套路。

以上就是大致的一个流程，我也正在学习，若有不足请各位耐心支出。非常感谢。

一般的摘要都会遵循这七个步骤，不同的步骤之间可能会融合到一块进行书写，在我们自己进行书写摘要的时候，可以参照这个步骤。如果自己在某个步骤实在想不出来，就暂时空下来。