基于多核的聚类算法——基于二部图的大尺度多视图谱聚类模型（Large-scale Multi-view Spectral Clustering via Bipartite Graph)

基于二部图的大尺度多视图谱聚类模型（Large-scale Multi-view Spectral Clustering via Bipartite Graph, MVSC）是一种高效的多视图聚类方法，它利用二部图结构来表示数据点和特征之间的关系，进而通过谱聚类实现数据的分组。

这种方法特别适用于处理大规模数据集，同时能够有效利用多视图数据的互补信息。下面是对这一模型的详细介绍。

MVSC模型概述

MVSC模型的核心在于构建和利用二部图来捕捉数据点和特征之间的关系，从而在每个视图下学习一个相似度矩阵。

随后，这些相似度矩阵被融合以形成一个统一的表示，最后通过谱聚类技术进行数据点的分组。

步骤与公式

1. 构建二部图

对于每个视图 $v$，构建一个二部图 $B_v$，其中一个部分节点集代表数据点，另一个部分节点集代表特征。

如果数据点 $i$ 在特征 $j$ 上非零，就在二部图中添加一条边 $(i,j)$。

2. 生成相似度矩阵

从每个二部图 $B_v$ 中，通过邻接矩阵 $A_v$ 计算相似度矩阵 $S_v$。

邻接矩阵 $A_v$ 描述了数据点和特征之间的连接，而相似度矩阵 $S_v$ 反映了数据点之间的相似度。

• 邻接矩阵：$A_v$ 是一个 $n\times m$ 的矩阵，其中 $n$ 是数据点的数量，$m$ 是特征的数量。如果数据点 $i$ 与特征 $j$ 相关联，则 $A_v(i,j)=1$，否则 $A_v(i,j)=0$。

• 相似度矩阵：$S_v$ 通常通过计算邻接矩阵的某种变换来获得，例如，可以通过图拉普拉斯矩阵 $L_v$ 或其他图形核函数计算得到。一个常见的方法是使用邻接矩阵的归一化形式：

$$S_v=D_v^{-1/2}{A}_v{D}_v^{-1/2}$$

其中，$D_v$ 是 $A_v$ 的度矩阵，即 $D_v(i,i)={\sum }_j{A}_v(i,j)$。

3. 融合相似度矩阵

融合所有视图的相似度矩阵 $S_v$ 成一个统一的相似度矩阵 $S$。

这可以通过加权平均或更复杂的融合策略实现，以反映不同视图的重要性。

$$S=\sum _{v=1}^V{w}_v{S}_v$$

其中，$V$ 是视图的总数，$w_v$ 是第 $v$ 个视图的权重。

4. 谱聚类

最后，应用谱聚类算法在融合后的相似度矩阵 $S$ 上进行聚类。

这通常涉及构建图拉普拉斯矩阵 $L$，然后对其进行特征分解，选择前 $k$ 个特征向量进行 $k$-means 聚类。

• 图拉普拉斯矩阵：$L=D-S$，其中 $D$ 是 $S$ 的度矩阵。

• 特征分解：找到 $L$ 的特征向量和特征值，选取前 $k$ 个与最小特征值对应的特征向量。

• $k$-means聚类：对选取的特征向量进行 $k$-means 聚类，以确定最终的聚类结果。

公式的作用

• 邻接矩阵和相似度矩阵：$A_v$ 和 $S_v$ 分别描述了数据点和特征的关系，以及数据点之间的相似度，是构建多视图谱聚类模型的基础。
• 融合相似度矩阵：公式 $S={\sum }_{v=1}^V{w}_v{S}_v$ 用于融合来自不同视图的信息，确保算法能够利用多视图数据的互补特性。
• 谱聚类：基于融合后的相似度矩阵 $S$ 进行谱聚类，得到最终的数据分组，这是整个算法的最终目的。

MVSC模型通过构建和利用二部图，能够在处理大规模、多视图数据集时提供高效且准确的聚类结果，特别适用于需要同时考虑多种特征和视角的复杂数据分析任务。