• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于全局融合的多核概念分解算法

    2019-08-01 01:54:12李飛杜亮任超宏
    計算機(jī)應(yīng)用 2019年4期

    李飛 杜亮 任超宏

    摘 要:非負(fù)矩陣分解(NMF)算法僅能用于對原始非負(fù)數(shù)據(jù)尋找低秩近似,而概念分解(CF)算法將矩陣分解模型擴(kuò)展到單個非線性核空間,提升了矩陣分解算法的學(xué)習(xí)能力和普適性。針對無監(jiān)督環(huán)境下概念分解面臨的如何設(shè)計或選擇合適核函數(shù)這一問題,提出基于全局融合的多核概念分解(GMKCF)算法。同時輸入多種候選核函數(shù),在概念分解框架下基于全局線性權(quán)重融合對它們進(jìn)行學(xué)習(xí),以得出質(zhì)量高穩(wěn)定性好的聚類結(jié)果,并解決概念分解模型面臨核函數(shù)選擇的問題。采用交替迭代的方法對新模型進(jìn)行求解,證明了算法的收斂性。

    將該算法與基于核的K-均值(KKM)、譜聚類(SC)、KCF(Kernel Concept Factorization)、Coreg(Co-regularized multi-view spectral clustering)、RMKKM(Robust Multiple KKM)在多個真實(shí)數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,該算法在數(shù)據(jù)聚類方面優(yōu)于對比算法。

    關(guān)鍵詞:多核學(xué)習(xí);概念分解;矩陣分解;多核聚類;全局融合

    中圖分類號:TP181

    文獻(xiàn)標(biāo)志碼:A

    文章編號:1001-9081(2019)04-1021-06

    Abstract: Non-negative Matrix Factorization (NMF) algorithm can only be used to find low rank approximation of original non-negative data while Concept Factorization (CF) algorithm extends matrix factorization to single non-linear kernel space, improving learning ability and adaptability of matrix factorization. In unsupervised environment, to design or select proper kernel function for specific dataset, a new algorithm called Globalized Multiple Kernel CF (GMKCF) was proposed. Multiple candidate kernel functions were input in the same time and learned in the CF framework based on global linear fusion, obtaining a clustering result with high quality and stability and solving the problem of kernel function selection that the CF faced. The convergence of the proposed algorithm was verified by solving the model with alternate iteration. The experimental results on several real databases show that the proposed algorithm outperforms ?comparison algorithms in data clustering, such as Kernel K-Means (KKM), Spectral Clustering (SC), Kernel CF (KCF), Co-regularized multi-view spectral clustering (Coreg), and Robust Multiple KKM (RMKKM).

    Key words: multiple kernel learning; Concept Factorization (CF); matrix factorization; multiple kernel clustering; global fusion

    0?引言

    數(shù)據(jù)挖掘從看似無序的數(shù)據(jù)中尋找有序、有價值的信息。聚類分析是數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)中的一項重要技術(shù),也是國內(nèi)外學(xué)者研究的一個重點(diǎn)領(lǐng)域。聚類技術(shù)可用來探索數(shù)據(jù)的內(nèi)部結(jié)構(gòu),并就其某種相關(guān)關(guān)系進(jìn)行挖掘,因而在很多領(lǐng)域中得到廣泛應(yīng)用,例如:在電子商務(wù)中,應(yīng)用聚類算法可以發(fā)現(xiàn)不同客戶群體,有利于尋找潛在市場;在生物學(xué)領(lǐng)域,可以對基因、蛋白質(zhì)等進(jìn)行聚類研究,從而獲取對其結(jié)構(gòu)的深入認(rèn)識;在互聯(lián)網(wǎng)上,可以對微博、新聞中的文檔進(jìn)行聚類研究,從而進(jìn)行熱點(diǎn)事件發(fā)現(xiàn)等。

    根據(jù)聚類算法的輸入數(shù)據(jù)類型分類,聚類算法可以分為數(shù)值型算法(如K-means[1]、非負(fù)矩陣分解(Non-negative Matrix Factorization, NMF)[2]等)、離散型(如AT-DC[3])、關(guān)系型(如NCut[4]、仿射傳播AP[5])和混合型(如圖正則的NMF(Graph regularized NMF, GNMF)[6])算法等。根據(jù)輸出結(jié)果,聚類算法分為層次聚類和劃分式聚類[1]。根據(jù)簇的描述形式,聚類算法可分為基于原型的方法(也叫簇代表元,代表性算法有K-means, K-medoids等)和基于模型的方法(代表性算法有高斯混合模型(Gaussian Mixture Model, GMM)[7])。

    近年來研究人員提出許多方法進(jìn)一步提高非負(fù)矩陣分解算法的效果。文獻(xiàn)[6]提出利用數(shù)據(jù)流形結(jié)構(gòu)提升聚類結(jié)果;文獻(xiàn)[8]研究矩陣分解的稀疏性提高結(jié)果的可解釋性;文獻(xiàn)[9]研究噪聲數(shù)據(jù)上的矩陣分解提高分解結(jié)果的魯棒性。文獻(xiàn)[10]提出概念分解(Concept Factorization, CF)方法將矩陣分解從線性原始空間擴(kuò)展到非線性核空間并用于文本聚類,文獻(xiàn)[11]提出基于圖正則的概念分解算法,文獻(xiàn)[12]進(jìn)一步提出自適應(yīng)鄰居正則化的概念分解算法,文獻(xiàn)[13-15]提出基于多圖/多層/多視圖的正則化的概念分解算法,文獻(xiàn)[16-18]提出新型單視圖數(shù)據(jù)的正則化概念分解算法。值得指出的是這類正則化方法通常需要引入額外的參數(shù)用于平衡概念分解目標(biāo)函數(shù)和正則目標(biāo),但實(shí)際應(yīng)用中如何設(shè)置較為準(zhǔn)確的參數(shù)是比較困難的。

    文獻(xiàn)[10]提出的核概念分解方法在實(shí)際應(yīng)用中面臨的核心問題之一是針對特定任務(wù)和數(shù)據(jù)集如何設(shè)計和選擇合適的核函數(shù)。需要進(jìn)一步指出的是,由于缺乏數(shù)據(jù)標(biāo)簽等監(jiān)督信息,核函數(shù)選擇在無監(jiān)督學(xué)習(xí)任務(wù)中變得更加困難。

    為了減輕核函數(shù)選擇帶來的困難,本文提出在無監(jiān)督多核學(xué)習(xí)框架中通過全局線性加權(quán)方法從一系列初始給定的核矩陣中學(xué)習(xí)聚類質(zhì)量更高、穩(wěn)定性更好的核函數(shù)。針對本文提出的多核概念分解模型,推導(dǎo)和設(shè)計了對應(yīng)的迭代式優(yōu)化求解算法——基于全局融合的多核概念分解(Globalized Multiple Kernel CF, GMKCF)算法,并證明該算法的收斂性以及算法的時間和空間復(fù)雜度。本文提出的多核概念分解模型沒有引入額外的超參數(shù),降低了算法在實(shí)際應(yīng)用中實(shí)施部署的難度。

    多個基準(zhǔn)數(shù)據(jù)集上的聚類實(shí)驗(yàn)結(jié)果表明多核聚類方法明顯優(yōu)于單核平均結(jié)果,驗(yàn)證了多核學(xué)習(xí)可以提升聚類算法性能。本文提出的多核概念分解在聚類準(zhǔn)確性、歸一化互信息和聚類純度上的性能優(yōu)于對比多核聚類方法。

    1?相關(guān)工作

    1.1?非負(fù)矩陣分解

    針對非負(fù)值矩陣數(shù)據(jù)X∈Rd×n,Lee等[2]于1999年在《Nature》上正式提出了非負(fù)矩陣分解的基本概念。非負(fù)矩陣分解的認(rèn)知基礎(chǔ)是:對整體的感知由基于對組成整體的部分(局部)。NMF通過非負(fù)約束純加性的感知過程刻畫出數(shù)據(jù)的組成部分和數(shù)據(jù)如何由局部感知構(gòu)成的本質(zhì)。該方法用兩個低秩非負(fù)矩的乘積陣UVT近似原始非負(fù)數(shù)據(jù),其中U∈Rd×k,V∈Rn×k。非負(fù)矩陣分解方法對應(yīng)的最優(yōu)結(jié)果可以通過求解以下優(yōu)化問題[19]獲得:

    從式(1)可看出:每一個樣本xi可以通過U,V的線性合并得到,即xi=∑k ukvik。因此,矩陣U可以看作是一組非負(fù)基向量,而矩陣V可以看作數(shù)據(jù)在基矩陣U下新的表示。

    上述優(yōu)化問題是關(guān)于聯(lián)合(U,V)的非凸優(yōu)化問題,因此很難用非線性優(yōu)化方法得到全局最優(yōu)解。然而對于僅關(guān)于U或者僅關(guān)于V的子問題,仍然是一個凸優(yōu)化問題。其局部最優(yōu)解可以通過分塊坐標(biāo)輪換法分別求解。通用的非負(fù)矩陣分解求解算法通過以下乘法更新公式獲得:

    1.2?概念分解

    Xu等在文獻(xiàn)[10]中提出概念分解算法。在概念分解模型中,分解后的基向量u要求通過對原始空間樣本的非負(fù)線性組合得到,其對應(yīng)的優(yōu)化問題可以寫成:

    2?本文算法

    上述提到的核概念分解算法僅適用于單核數(shù)據(jù)聚類問題;然而,核方法面臨的核心問題之一是針對特定任務(wù)和數(shù)據(jù)集如何設(shè)計和選擇合適的核函數(shù)。需要進(jìn)一步指出的是,由于缺乏數(shù)據(jù)標(biāo)簽等監(jiān)督信息,核函數(shù)選擇在無監(jiān)督學(xué)習(xí)任務(wù)中變得更加困難。

    為了減輕核函數(shù)選擇帶來的困難,本文提出在無監(jiān)督多核學(xué)習(xí)框架中通過全局線性加權(quán)方法從一系列初始給定的核矩陣中學(xué)習(xí)聚類質(zhì)量更高、穩(wěn)定性更好的核函數(shù)。

    2.1?多核概念分解

    假設(shè)一共給定m個不同的核關(guān)系數(shù)據(jù)用于聚類過程{Ki}mi=1,與此對應(yīng)的是m個不同的特征空間{Hi}mi=1。為了合并這些核空間并且使得合并后的核矩陣仍然滿足Mercer條件,可以采用基于非負(fù)全局權(quán)重線性加權(quán)的方式,即合并后的特征空間可以表示為:

    2.2?多核概念分解模型求解算法

    首先需要指出的是,上述多核概念分解模型整體對于所有待求變量仍然是一個非凸優(yōu)化問題,但是對于單個變量的各子優(yōu)化問題都是凸優(yōu)化問題。為此,本文提出迭代式求解算法對整體問題進(jìn)行求解,并采用分塊坐標(biāo)輪換法分別對每個變量對應(yīng)的子優(yōu)化問題進(jìn)行單獨(dú)求解。最終通過求解一系列子優(yōu)化問題,可以獲得對應(yīng)的局部最優(yōu)解。

    2.2.4?多核概念算法

    算法1?全局多核概念分解算法。

    后處理:利用K-means算法對多核低秩表示V進(jìn)行二次聚類獲得高質(zhì)量的離散化聚類結(jié)果。

    2.2.5?算法收斂性證明

    式(7)中的全局多核概念分解算法是一個關(guān)于聯(lián)合({Ui}mi=1,V,w)的非凸優(yōu)化問題,因此很難用非線性優(yōu)化方法得到全局最優(yōu)解。然而對于僅關(guān)于{Ui}mi=1或者僅關(guān)于V 或者僅關(guān)于w的子問題,仍然是一個凸優(yōu)化問題。通過分塊坐標(biāo)輪換法的迭代式求解可以使整體目標(biāo)函數(shù)單調(diào)下降。并且可以很明顯看出式(7)的目標(biāo)函數(shù)是有下界的。因此,整體求解算法的收斂性可以得到保障。

    具體來講,容易看出式(7)的目標(biāo)函數(shù)是有下界的(下界為0),并且式(7)的函數(shù)值隨著算法迭代每一步都是非增的(Non-increasing)。本文引入非負(fù)矩陣分解(NMF)和概念分解(CF)模型乘法更新過程(Multiplicative update rule)中常見的輔助函數(shù)(Auxiliary function)定義[10]。因?yàn)榉秦?fù)因子U的更新過程和非負(fù)因子V更新類似,本文僅給出求解非負(fù)因子V時的輔助函數(shù)證明。

    此外,式(16)中關(guān)于w的問題是凸優(yōu)化問題,式(17)可以獲得最優(yōu)解。

    2.2.6?算法復(fù)雜性說明

    初始階段, 本文算法需要計算m個核矩陣,對應(yīng)的計算復(fù)雜性是O(mn2d),其中n是樣本個數(shù),d是特征個數(shù)。每次迭代過程中的計算量分別為:1)更新變量U,其中需要計算P+和P-,對應(yīng)的計算復(fù)雜性為O(n2k+k2n),更新U的復(fù)雜性是O(n2k)。

    2)更新變量V,其中需要計算Q+和Q-,對應(yīng)的計算復(fù)雜性為O(n2k+k2n),更新V的復(fù)雜性是O(n2k)。

    3)更新變量w,對應(yīng)的計算復(fù)雜性為O(m(n2k+k2n))。

    4)更新變量Kw,對應(yīng)的計算復(fù)雜性為O(mn2)。

    假設(shè)迭代算法在迭代t次后收斂,多核概念分解的整體復(fù)雜度表示為O(mn2d+n2t(k+m))??梢钥闯?,多核概念分解整體算法復(fù)雜性和單核概念分解在同一量級。

    3?實(shí)驗(yàn)與結(jié)果分析

    本文實(shí)驗(yàn)通過基準(zhǔn)測試數(shù)據(jù)集上的聚類結(jié)果對比來驗(yàn)證本文提出的多核方法在聚類問題上的有效性。

    實(shí)驗(yàn)平臺的配置:PC為Intel Core i5處理器,8GB內(nèi)存,120GB硬盤;操作系統(tǒng)為Windows 10;編程環(huán)境為Matlab 2015a。

    3.1?數(shù)據(jù)集的選擇

    本文分別選擇了BBC、TR31、K1B、WebKB四個數(shù)據(jù)集作為測試基準(zhǔn)數(shù)據(jù)集。這些數(shù)據(jù)集經(jīng)常被用于評估聚類算法的性能,數(shù)據(jù)集的統(tǒng)計信息如表1所示。

    BBC數(shù)據(jù)集包含了來自BBC新聞網(wǎng)站提供的2225份文件,對應(yīng)于2004—2005年5個主題領(lǐng)域的故事,共有5類標(biāo)簽:商業(yè)、娛樂、政治、體育、科技。

    TR31數(shù)據(jù)集來自TREC收集的文本數(shù)據(jù)集,包含927個文本,分為7個類別。

    K1B數(shù)據(jù)集來自WebACE項目,包括2340篇文章,這些文章來自于路透新聞的20個類別中,其中每個文檔對應(yīng)于Yahoo!的主題層次結(jié)構(gòu)中列出的網(wǎng)頁。

    WebKB數(shù)據(jù)集包含了約6000個從4所高校(康奈爾大學(xué)、德克薩斯大學(xué)、華盛頓大學(xué)、威斯康星大學(xué))的計算機(jī)科學(xué)部門收集的網(wǎng)頁。每個網(wǎng)頁都標(biāo)有一個標(biāo)簽:學(xué)生、教授、課程、項目、人員、部門,以及其他。

    和其他多核學(xué)習(xí)方法中的策略類似,本文使用了12種不同的核函數(shù)作為多核學(xué)習(xí)的輸入。這些核函數(shù)包括7個不同帶寬的徑向基函數(shù)(Radial Basis Function,RBF)核函數(shù)k(x, y)=exp(-‖x-y‖22δ2)d,其中令δ=tD0,且D0是樣本兩兩之間距離的平均值,而t的變化范圍包括{0.01,0.05,0.1,1,10,50,100};4個多項式核函數(shù)k(x, y)=(a+xTiy)b,其中a的取值范圍包括{0,1},b的取值范圍包括{2,4};1個余弦核函數(shù)k(x, y)=xTy‖x‖·‖y‖。最后,所有的核函數(shù)都又經(jīng)過了標(biāo)準(zhǔn)化k(x, y)=k(x, y)k(x,x)k(y, y),并且被進(jìn)一步縮放到區(qū)間[0,1]內(nèi)。

    3.2?對比方法

    本文實(shí)驗(yàn)是多核數(shù)據(jù)聚類實(shí)驗(yàn),實(shí)驗(yàn)中對比了單核方法和多核方法。采用的單核方法包括:基于核的K-均值(Kernel K-Means, KKM)、譜聚類(Spectual Clustering, SC)、KCF(Kernel CF)。

    采用的多核方法包括:Coreg(Co-regularized multi-view spectral clustering)[20]、RMKKM(Robust Multiple KKM)[21],以及本文GMKCF算法。

    針對多核實(shí)驗(yàn)數(shù)據(jù),單核方法可以獲得多組實(shí)驗(yàn)結(jié)果,為了準(zhǔn)確刻畫單核方法在不同核函數(shù)上的性能,

    本文實(shí)驗(yàn)采用單核方法在多個核函數(shù)上聚類結(jié)果的平均值。

    根據(jù)文獻(xiàn)[20-21]中的實(shí)驗(yàn)結(jié)果,Coreg在本文實(shí)驗(yàn)中的參數(shù)設(shè)置為0.1,RMKKM的實(shí)驗(yàn)參數(shù)設(shè)置為0.3。概念因子的個數(shù)設(shè)置為數(shù)據(jù)集中類的個數(shù)。

    聚類中簇的個數(shù)設(shè)置為數(shù)據(jù)集中真實(shí)類別的個數(shù)。SC和Coreg獲得樣本低維表示后都采用K-means算法最終得到離散化的聚類結(jié)果。針對聚類算法需要初始化的問題, 本文實(shí)驗(yàn)采用隨機(jī)值對算法進(jìn)行初始化,重復(fù)實(shí)驗(yàn)20次并報告對應(yīng)的平均值。

    3.3?評價指標(biāo)

    因本文實(shí)驗(yàn)所采用的數(shù)據(jù)集類別標(biāo)簽已知,本文選擇三個外部評價指標(biāo)來評估算法在聚類問題上的性能,各評價指標(biāo)介紹如下:

    而map(·)是置換映射函數(shù),它將簇標(biāo)簽映射到類標(biāo)簽。最佳映射可以通過Kuhn-Munkres算法獲取。ACC是0~1的值,ACC的值越大說明聚類效果越好。

    其中:H(C)和H(C′)分別是類C和簇C′對應(yīng)的信息熵。容易驗(yàn)證NMI位于0~1,并且NMI的值越大說明聚類效果越好。

    3)聚類純度(Purity)是一種簡單的聚類評價方法,只需計算正確聚類的樣本數(shù)占樣本總數(shù)的比例,其計算方法如下:purity=1n∑kmax(c′k,cj)

    其中:用C={c1,c2,…,ck}表示真實(shí)標(biāo)簽中類的集合;用C′={c′1,c′2,…,c′k}表示聚類算法獲得的簇的集合。Purity同樣位于0~1,并且Purity的值越大說明聚類效果越好。

    3.4?結(jié)果與分析

    表2~4分別列出了不同的聚類方法在這些數(shù)據(jù)集上聚類準(zhǔn)確性、歸一化互信息和聚類純度的結(jié)果。

    實(shí)驗(yàn)結(jié)果表明多核方法(Coreg、RMKKM和GMKCF)普遍優(yōu)于單核方法(KKM、SC和KCF)。從表2聚類準(zhǔn)確性指標(biāo)可看出多核方法在多個數(shù)據(jù)集上的平均結(jié)果達(dá)到0.5809,而單核方法的平均結(jié)果為0.4915,多核方法在聚類準(zhǔn)確性上的平均提升達(dá)到了18.2%;從表3歸一化互信息指標(biāo)可看出多核方法在多個數(shù)據(jù)集上的平均結(jié)果達(dá)到0.3741,而單核方法的平均結(jié)果為0.2463,多核方法在歸一化互信息上的平均提升達(dá)到了51.8%;從表4聚類純度指標(biāo)可看出多核方法在多個數(shù)據(jù)集上的平均結(jié)果達(dá)到0.6599,而單核方法的平均結(jié)果為0.5766,多核方法在歸一化互信息上的平均提升達(dá)到了14.4%。

    實(shí)驗(yàn)結(jié)果表明本文提出的多核概念分解方法要優(yōu)于其他單核方法和多核方法。三種不同指標(biāo)上GMKCF在多個數(shù)據(jù)集上的平均結(jié)果明顯高于其他方法。

    具體來看,GMKCF在聚類準(zhǔn)確性上達(dá)到0.6145,而第二名的算法Coreg為0.5664,性能提升為8.5%。GMKCF在歸一化互信息上達(dá)到0.4344,第二名為0.4032,性能提升為7.7%;GMKCF在聚類純度上達(dá)到0.6982,第二名為0.6756,性能提升為3.3%。

    需要指出的是多核方法Coreg和RMKKM都帶有超參數(shù),無監(jiān)督聚類問題中如何選擇有效的超參數(shù)本身就是一個非常困難的問題。而本文提出的GMKCF算法無需設(shè)置其他特定參數(shù),極大提升了算法的實(shí)際可用性。

    此外,本文提出的GMKCF算法在空間復(fù)雜度上和其他多核方法類似,都是O(n2),從時間復(fù)雜度看GMKCF和RMKKM都是O(n2),而Coreg的時間復(fù)雜度為O(n3);并且GMKCF和RMKKM中主要涉及矩陣和向量的基本操作,可以借助MapReduce等框架容易實(shí)現(xiàn)分布式部署,而Coreg由于需要計算特征空間導(dǎo)致分布式實(shí)現(xiàn)較為困難。

    實(shí)驗(yàn)結(jié)果表明,本文提出的多核概念分解方法在多種聚類評價指標(biāo)上的結(jié)果要優(yōu)于其他單核和多核聚類方法,無需設(shè)置超參數(shù),并且算法復(fù)雜度較低,容易分布式部署。

    4?結(jié)語

    針對核概念分解模型在實(shí)際應(yīng)用中面臨的核函數(shù)選擇問題,本文提出基于多核全局融合的概念分解模型。與核概念分解模型類似,本文推導(dǎo)出對應(yīng)的迭代式乘法更新公式作為求解算法并且證明算法的收斂性。多個基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文算法在不引入額外超參數(shù)的情況下能夠有效提升核分解模型在實(shí)際應(yīng)用中的聚類性能。未來,我們將進(jìn)一步研究如何在分布式環(huán)境中部署實(shí)施多核概念分解算法。

    參考文獻(xiàn)(References)

    [1] HAN J, KAMBER M, PEI J. Data Mining: Concepts and Techniques[M]. 3rd ed. San Francisco: Margan Kaufmann, 2011: 525-527.

    [2] LEE D D, HSEBASTIAN S S. Learning the parts of objects by non-negative matrix factorization [J]. Nature, 1999, 401: 788-791.

    [3] CESARIO E, MANCO G, ORTALE R. Top-down parameter-free clustering of high-dimensional categorical data [J]. IEEE Transactions on Knowledge and Data Engineering, 2007, 19(12): 1607-1624.

    [4] SHI J, MALIK J. Normalized cuts and image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888-905.

    [5] FREY B J, DUECK D. Clustering by passing messages between data points[J]. Science, 2007, 315(5814): 972-976.

    [6] CAI D, HE X, HAN J, et al. Graph regularized nonnegative matrix factorization for data representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1548-1560.

    [7] BISHOP C M. Pattern Recognition and Machine Learning[M]. 2nd ed. New York: Springer, 2010: 291-292.

    [8] HOYER P O. Non-negative matrix factorization with sparseness constraints [EB/OL]. [2018-05-10]. https://arxiv.org/abs/cs/0408 058.

    [9] DU L, LI X, SHEN Y. Robust nonnegative matrix factorization via half-quadratic minimization [C]// Proceedings of the 2012 IEEE 12th International Conference on Data Mining. Piscataway, NJ: IEEE, 2012: 201-210.

    [10] XU W, GONG Y. Document clustering by concept factorization [C]// SIGIR 2004: Proceedings of the 27th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2004: 202-209.

    [11] CAI D, HE X, HAN J. Locally consistent concept factorization for document clustering [J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(6): 902-913.

    [12] PEI X, CHEN C, GONG W. Concept factorization with adaptive neighbors for document clustering [J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(2): 343-352.

    [13] LEE D D, SEUNG H S. Algorithms for non-negative matrix factorization [EB/OL]. [2018-05-10]. http://papers.nips.cc/paper/1861-algorithms-for-non-negative-matrix-factorization.pdf.

    [14] KUMAR A, RAI P, DAUM H. Co-regularized multi-view spectral clustering [EB/OL]. [2018-05-10]. http://www.cs.utah.edu/~piyush/recent/spectral-nips11.pdf.

    [15] DU L, ZHOU P, SHI L, et al. Robust multiple kernel k-means clustering usingL21-norm [C]// Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence. Menlo Park, CA: AAAI Press, 2015: 3476-3482.

    [16] LI X, SHEEN X, SHU Z, et al. Graph regularized multilayer concept factorization for data representation [J]. Neurocomputing, 2017, 238: 139-151.

    [17] ZHAN K, SHI J, WANG J, et al. Adaptive structure concept factorization for multiview clustering [J]. Neural Computation, 2018, 30(2): 1080-1103.

    [18] SHU Z, WU X, HUANG P, et al. Multiple graph regularized concept factorization with adaptive weights [J]. IEEE Access, 2018, 6: 64938-64945.

    [19] MA S, ZHANG L, HU E, et al. Self-representative manifold concept factorization with adaptive neighbors for clustering [C]// IJCAI 2018: Proceedings of the 27th International Joint Conference on Artificial Intelligence. Menlo Park, CA: AAAI Press, 2018: 2539-2545.

    [20] KUMAR A, RAI P, DAUM H, Ⅲ. Co-regularized multi-view spectral clustering [C]// NIPS 2011: Proceedings of the 24th International Conference on Neural Information Processing Systems. ?New York: ACM, 2011: 1413-1421.

    [21] YAN W, ZHANG B, MA S, et al. A novel regularized concept factorization for document clustering [J]. Knowledge-based Systems, 2017, 135: 147-158.

    国产69精品久久久久777片| 大又大粗又爽又黄少妇毛片口| 欧美激情极品国产一区二区三区 | 超碰97精品在线观看| 日韩欧美一区视频在线观看 | 日韩制服骚丝袜av| 我要看日韩黄色一级片| 99热这里只有是精品在线观看| 在线观看一区二区三区激情| 欧美区成人在线视频| 久久久久精品久久久久真实原创| 久久99热这里只频精品6学生| 少妇 在线观看| 成人综合一区亚洲| 久久人妻熟女aⅴ| 色婷婷av一区二区三区视频| 能在线免费看毛片的网站| 国产91av在线免费观看| av视频免费观看在线观看| 国产女主播在线喷水免费视频网站| 日韩大片免费观看网站| 97热精品久久久久久| 亚洲人成网站在线播| 亚洲久久久国产精品| 亚洲av中文av极速乱| 九色成人免费人妻av| 夜夜骑夜夜射夜夜干| 亚洲精品乱码久久久v下载方式| 免费看光身美女| 亚洲精品,欧美精品| 免费av中文字幕在线| 精品一区二区三区视频在线| 赤兔流量卡办理| 边亲边吃奶的免费视频| 激情 狠狠 欧美| 国产成人aa在线观看| 日韩电影二区| 亚洲精品日韩在线中文字幕| 免费大片18禁| 中文字幕亚洲精品专区| 夫妻性生交免费视频一级片| 爱豆传媒免费全集在线观看| 国产精品一区www在线观看| 日韩视频在线欧美| 亚洲精品亚洲一区二区| 一级毛片久久久久久久久女| 18禁动态无遮挡网站| 麻豆成人av视频| 久久99精品国语久久久| 亚洲色图综合在线观看| 又爽又黄a免费视频| 黄色日韩在线| 大码成人一级视频| 黄色视频在线播放观看不卡| 久久这里有精品视频免费| 纵有疾风起免费观看全集完整版| a级毛片免费高清观看在线播放| 黄色视频在线播放观看不卡| 午夜视频国产福利| 精品人妻偷拍中文字幕| av一本久久久久| 亚洲人与动物交配视频| 久久精品国产亚洲av涩爱| 一区二区三区精品91| 亚洲国产精品一区三区| 美女视频免费永久观看网站| 波野结衣二区三区在线| 3wmmmm亚洲av在线观看| 国产成人a∨麻豆精品| 亚洲国产成人一精品久久久| 日韩国内少妇激情av| av在线观看视频网站免费| 丰满乱子伦码专区| 国产亚洲一区二区精品| 国产成人freesex在线| 欧美日韩在线观看h| 成人漫画全彩无遮挡| 亚洲欧美一区二区三区国产| 亚洲国产精品999| 久久久午夜欧美精品| 精品一区在线观看国产| 麻豆乱淫一区二区| 亚洲av中文字字幕乱码综合| 22中文网久久字幕| 一级片'在线观看视频| 中文字幕精品免费在线观看视频 | 久久精品人妻少妇| 久久久久人妻精品一区果冻| 青春草国产在线视频| 另类亚洲欧美激情| 久久久午夜欧美精品| 亚洲精品国产色婷婷电影| 亚洲欧美中文字幕日韩二区| 成人午夜精彩视频在线观看| 国产精品成人在线| 男男h啪啪无遮挡| 中文字幕亚洲精品专区| 国产av码专区亚洲av| 久久久久久伊人网av| 成人无遮挡网站| 亚洲精品乱码久久久v下载方式| 一个人看的www免费观看视频| 国产精品秋霞免费鲁丝片| 国产成人免费无遮挡视频| 在线亚洲精品国产二区图片欧美 | 纯流量卡能插随身wifi吗| 国产在线视频一区二区| 草草在线视频免费看| 欧美zozozo另类| 国产欧美日韩一区二区三区在线 | 国产av一区二区精品久久 | 啦啦啦中文免费视频观看日本| 91精品伊人久久大香线蕉| av在线app专区| 永久网站在线| 18禁在线播放成人免费| 国产中年淑女户外野战色| 尾随美女入室| 亚洲伊人久久精品综合| 在现免费观看毛片| 久久av网站| 婷婷色综合大香蕉| 国产亚洲精品久久久com| av专区在线播放| 国产黄色免费在线视频| 欧美成人a在线观看| 国产大屁股一区二区在线视频| 国产免费一级a男人的天堂| 久久久精品94久久精品| 蜜桃久久精品国产亚洲av| 国产熟女欧美一区二区| 噜噜噜噜噜久久久久久91| 久热久热在线精品观看| 天堂中文最新版在线下载| 有码 亚洲区| 久久99热6这里只有精品| 人妻制服诱惑在线中文字幕| 亚洲av男天堂| 免费在线观看成人毛片| 国产精品一区二区在线观看99| 免费不卡的大黄色大毛片视频在线观看| av女优亚洲男人天堂| 亚洲欧美成人精品一区二区| 精品国产乱码久久久久久小说| 性色avwww在线观看| 精品视频人人做人人爽| 欧美日韩精品成人综合77777| 欧美成人一区二区免费高清观看| 国产成人午夜福利电影在线观看| 亚洲成人中文字幕在线播放| 久久久久精品性色| 国产精品.久久久| 最近最新中文字幕免费大全7| 国产人妻一区二区三区在| 国产毛片在线视频| 各种免费的搞黄视频| 少妇 在线观看| 亚洲最大成人中文| 国产男女内射视频| 亚洲美女搞黄在线观看| 寂寞人妻少妇视频99o| 成人影院久久| 老师上课跳d突然被开到最大视频| 欧美精品一区二区大全| 黄色怎么调成土黄色| 高清在线视频一区二区三区| 国产亚洲5aaaaa淫片| 91久久精品国产一区二区成人| 在线观看人妻少妇| 黄片无遮挡物在线观看| 国产在视频线精品| 国产精品99久久久久久久久| 亚州av有码| 一级黄片播放器| 国产成人精品福利久久| av一本久久久久| 亚洲国产成人一精品久久久| 久久精品人妻少妇| 久久韩国三级中文字幕| 97超碰精品成人国产| 日韩精品有码人妻一区| 亚洲精品成人av观看孕妇| 黄色配什么色好看| 各种免费的搞黄视频| 久久精品国产亚洲网站| 一级毛片黄色毛片免费观看视频| 国产综合精华液| 日日啪夜夜爽| 亚洲欧美精品专区久久| 我要看黄色一级片免费的| 赤兔流量卡办理| 免费播放大片免费观看视频在线观看| a 毛片基地| 亚洲在久久综合| 少妇人妻久久综合中文| 亚洲欧美日韩另类电影网站 | 国产精品精品国产色婷婷| 丝瓜视频免费看黄片| 成人毛片a级毛片在线播放| 青青草视频在线视频观看| av在线app专区| 亚洲精品日韩在线中文字幕| 一本久久精品| 九草在线视频观看| 国产精品爽爽va在线观看网站| 久久精品国产a三级三级三级| 国产爱豆传媒在线观看| 在线观看免费高清a一片| 精品视频人人做人人爽| 最黄视频免费看| 女性被躁到高潮视频| 在线精品无人区一区二区三 | 日日摸夜夜添夜夜添av毛片| 国产精品人妻久久久影院| 日韩一区二区三区影片| 看免费成人av毛片| av免费观看日本| 免费观看无遮挡的男女| 亚洲va在线va天堂va国产| 亚洲精品,欧美精品| 日韩强制内射视频| 久热久热在线精品观看| 国产男女超爽视频在线观看| 少妇被粗大猛烈的视频| 亚洲高清免费不卡视频| videos熟女内射| 日韩欧美 国产精品| 深爱激情五月婷婷| 国产深夜福利视频在线观看| 久久久久久久久久人人人人人人| 爱豆传媒免费全集在线观看| 久久久久网色| 国产伦理片在线播放av一区| 免费播放大片免费观看视频在线观看| 日日摸夜夜添夜夜爱| 纯流量卡能插随身wifi吗| 伦精品一区二区三区| 亚洲精品自拍成人| 国产免费一区二区三区四区乱码| 日本黄色日本黄色录像| 久久ye,这里只有精品| 国产深夜福利视频在线观看| 美女主播在线视频| a级毛色黄片| 国产高清不卡午夜福利| 亚洲,一卡二卡三卡| 久久这里有精品视频免费| 亚洲怡红院男人天堂| 国产精品99久久99久久久不卡 | videos熟女内射| 日本av免费视频播放| av女优亚洲男人天堂| 一个人看的www免费观看视频| 青春草亚洲视频在线观看| 高清毛片免费看| 免费人妻精品一区二区三区视频| 麻豆成人午夜福利视频| 亚洲国产高清在线一区二区三| 色视频在线一区二区三区| 美女中出高潮动态图| 日本wwww免费看| 又黄又爽又刺激的免费视频.| 深夜a级毛片| 亚洲精品日本国产第一区| 黄色一级大片看看| 一级毛片久久久久久久久女| 亚洲欧美成人精品一区二区| 777米奇影视久久| 蜜桃久久精品国产亚洲av| 只有这里有精品99| 久久精品夜色国产| 一级毛片黄色毛片免费观看视频| 王馨瑶露胸无遮挡在线观看| 国产成人精品福利久久| 丰满乱子伦码专区| 欧美日韩亚洲高清精品| 成年女人在线观看亚洲视频| 简卡轻食公司| 久久精品熟女亚洲av麻豆精品| 黄色一级大片看看| 久久久久性生活片| 久久久久久久久久久丰满| 三级经典国产精品| 国产精品秋霞免费鲁丝片| 欧美日韩国产mv在线观看视频 | 1000部很黄的大片| 97在线视频观看| 亚洲欧美日韩另类电影网站 | av国产免费在线观看| 青春草亚洲视频在线观看| 国产精品国产三级国产专区5o| av在线老鸭窝| 在线天堂最新版资源| 亚州av有码| 男男h啪啪无遮挡| 欧美日韩亚洲高清精品| 十八禁网站网址无遮挡 | 国产成人精品婷婷| 最近2019中文字幕mv第一页| 国产午夜精品一二区理论片| 国产精品欧美亚洲77777| 国产一区有黄有色的免费视频| 看非洲黑人一级黄片| 99热这里只有是精品在线观看| 国产爱豆传媒在线观看| 国产人妻一区二区三区在| 亚洲电影在线观看av| 91精品国产国语对白视频| 中文资源天堂在线| 国产高清国产精品国产三级 | 黄色怎么调成土黄色| 国产成人午夜福利电影在线观看| 激情五月婷婷亚洲| av视频免费观看在线观看| 啦啦啦在线观看免费高清www| 涩涩av久久男人的天堂| 高清日韩中文字幕在线| 国产大屁股一区二区在线视频| 搡女人真爽免费视频火全软件| 极品教师在线视频| 日本与韩国留学比较| 狂野欧美白嫩少妇大欣赏| 男女免费视频国产| 在线 av 中文字幕| 我的老师免费观看完整版| 亚洲综合精品二区| 成人亚洲欧美一区二区av| av国产精品久久久久影院| 人人妻人人爽人人添夜夜欢视频 | 亚洲高清免费不卡视频| 黄色配什么色好看| 91精品国产国语对白视频| 国产在线视频一区二区| 女人十人毛片免费观看3o分钟| 日韩国内少妇激情av| 深爱激情五月婷婷| 亚洲在久久综合| 欧美一区二区亚洲| 亚洲性久久影院| 国产高清国产精品国产三级 | 91精品伊人久久大香线蕉| 国产成人freesex在线| 超碰av人人做人人爽久久| 免费看不卡的av| 国产亚洲午夜精品一区二区久久| 亚洲av中文字字幕乱码综合| 日韩强制内射视频| 国产毛片在线视频| 亚洲精品久久午夜乱码| 黄色配什么色好看| 欧美成人a在线观看| 女人久久www免费人成看片| 啦啦啦中文免费视频观看日本| 欧美+日韩+精品| 美女xxoo啪啪120秒动态图| 国产午夜精品一二区理论片| 亚洲av电影在线观看一区二区三区| 日韩欧美一区视频在线观看 | 免费黄色在线免费观看| 亚洲真实伦在线观看| 麻豆精品久久久久久蜜桃| 国产精品国产三级专区第一集| 少妇人妻精品综合一区二区| 在线观看免费日韩欧美大片 | 乱系列少妇在线播放| 成人毛片60女人毛片免费| 一本一本综合久久| 欧美三级亚洲精品| 国产精品久久久久久精品电影小说 | 亚洲天堂av无毛| 国产精品伦人一区二区| 26uuu在线亚洲综合色| 特大巨黑吊av在线直播| 精品国产三级普通话版| 精品亚洲成a人片在线观看 | 色5月婷婷丁香| 国产精品精品国产色婷婷| 日韩成人伦理影院| 精品少妇久久久久久888优播| 欧美人与善性xxx| 黄色怎么调成土黄色| 人妻制服诱惑在线中文字幕| 王馨瑶露胸无遮挡在线观看| 久久人妻熟女aⅴ| 2021少妇久久久久久久久久久| 制服丝袜香蕉在线| 精品人妻熟女av久视频| 亚洲真实伦在线观看| 国产69精品久久久久777片| 深夜a级毛片| 欧美 日韩 精品 国产| 少妇丰满av| 99久久人妻综合| 色婷婷av一区二区三区视频| 亚洲第一av免费看| a级毛片免费高清观看在线播放| 久久久欧美国产精品| 国产高清国产精品国产三级 | 亚洲综合精品二区| 1000部很黄的大片| 麻豆乱淫一区二区| 欧美日韩精品成人综合77777| 精品99又大又爽又粗少妇毛片| 亚洲美女视频黄频| 亚洲av成人精品一区久久| 国产亚洲欧美精品永久| 亚洲欧美成人精品一区二区| 国产高清有码在线观看视频| 大陆偷拍与自拍| 插阴视频在线观看视频| 欧美精品一区二区大全| 国产精品一二三区在线看| 欧美精品一区二区免费开放| 精品99又大又爽又粗少妇毛片| 精品一区二区免费观看| 中文字幕久久专区| 国产精品一区二区在线不卡| 国产欧美亚洲国产| 一本久久精品| 国产永久视频网站| 韩国高清视频一区二区三区| 少妇被粗大猛烈的视频| 国产大屁股一区二区在线视频| 777米奇影视久久| 国产av一区二区精品久久 | 日韩一区二区视频免费看| 久久ye,这里只有精品| 在线精品无人区一区二区三 | 国产高潮美女av| 汤姆久久久久久久影院中文字幕| 香蕉精品网在线| 视频区图区小说| av黄色大香蕉| 精品久久久久久久久av| 国产毛片在线视频| 一级二级三级毛片免费看| 麻豆乱淫一区二区| 成人毛片60女人毛片免费| 97精品久久久久久久久久精品| 一区二区三区精品91| 亚洲国产成人一精品久久久| 亚洲一级一片aⅴ在线观看| 亚洲三级黄色毛片| 丰满迷人的少妇在线观看| 看免费成人av毛片| 高清欧美精品videossex| av网站免费在线观看视频| 天堂俺去俺来也www色官网| 美女主播在线视频| 国产色爽女视频免费观看| 国产亚洲午夜精品一区二区久久| 99国产精品免费福利视频| 亚洲成人手机| 大话2 男鬼变身卡| 成年免费大片在线观看| 99久久精品热视频| 联通29元200g的流量卡| 综合色丁香网| 九九在线视频观看精品| 欧美xxxx性猛交bbbb| 国产 一区精品| 亚洲美女搞黄在线观看| 2018国产大陆天天弄谢| 91狼人影院| 嫩草影院入口| 成人毛片60女人毛片免费| 天堂俺去俺来也www色官网| 久久久久精品久久久久真实原创| 国产免费又黄又爽又色| 超碰av人人做人人爽久久| 久久女婷五月综合色啪小说| av女优亚洲男人天堂| 国产精品福利在线免费观看| 尤物成人国产欧美一区二区三区| 多毛熟女@视频| 亚洲在久久综合| 丰满少妇做爰视频| 亚洲精品亚洲一区二区| 免费黄网站久久成人精品| 97超视频在线观看视频| 国产又色又爽无遮挡免| 久久韩国三级中文字幕| 交换朋友夫妻互换小说| 如何舔出高潮| 黑人高潮一二区| 亚洲欧美成人精品一区二区| 亚洲婷婷狠狠爱综合网| 欧美精品人与动牲交sv欧美| 国产精品久久久久久久久免| 一本色道久久久久久精品综合| 小蜜桃在线观看免费完整版高清| av国产精品久久久久影院| 日本免费在线观看一区| 久久久久性生活片| 亚洲国产精品专区欧美| 久久这里有精品视频免费| 免费观看性生交大片5| 国产有黄有色有爽视频| 麻豆精品久久久久久蜜桃| 国产精品秋霞免费鲁丝片| 成年女人在线观看亚洲视频| 亚洲欧美日韩卡通动漫| 午夜福利网站1000一区二区三区| 国产一级毛片在线| 亚州av有码| 久久av网站| 能在线免费看毛片的网站| 亚洲精品亚洲一区二区| 国产久久久一区二区三区| 日韩av免费高清视频| 十八禁网站网址无遮挡 | 成人综合一区亚洲| 亚洲精品久久午夜乱码| 在线看a的网站| 亚洲精品中文字幕在线视频 | 偷拍熟女少妇极品色| 99精国产麻豆久久婷婷| 人妻系列 视频| 草草在线视频免费看| 一级毛片aaaaaa免费看小| 国产黄片视频在线免费观看| 高清黄色对白视频在线免费看 | 大香蕉久久网| 麻豆成人午夜福利视频| 精品国产乱码久久久久久小说| 男人添女人高潮全过程视频| 亚洲欧美日韩卡通动漫| av网站免费在线观看视频| 纯流量卡能插随身wifi吗| 2018国产大陆天天弄谢| 亚洲中文av在线| 下体分泌物呈黄色| 精品国产三级普通话版| 另类亚洲欧美激情| 国模一区二区三区四区视频| 午夜福利在线在线| 乱码一卡2卡4卡精品| 成人漫画全彩无遮挡| 九九在线视频观看精品| 国产69精品久久久久777片| 亚洲一级一片aⅴ在线观看| 人人妻人人爽人人添夜夜欢视频 | 性色av一级| 中国三级夫妇交换| 人人妻人人爽人人添夜夜欢视频 | 美女高潮的动态| 亚州av有码| 日韩国内少妇激情av| 久久久久网色| 国内揄拍国产精品人妻在线| 赤兔流量卡办理| 亚洲国产最新在线播放| 亚洲真实伦在线观看| av在线老鸭窝| 免费观看性生交大片5| 91久久精品电影网| 国产深夜福利视频在线观看| 在线观看国产h片| 99视频精品全部免费 在线| 国产乱来视频区| 国产精品一及| 精品少妇黑人巨大在线播放| 男人和女人高潮做爰伦理| 婷婷色综合大香蕉| 99久久精品一区二区三区| 亚洲婷婷狠狠爱综合网| 自拍偷自拍亚洲精品老妇| tube8黄色片| 亚洲精品久久午夜乱码| av网站免费在线观看视频| 直男gayav资源| 中国国产av一级| 欧美xxⅹ黑人| 久久久久久久大尺度免费视频| 欧美国产精品一级二级三级 | 国产精品人妻久久久影院| 国产欧美亚洲国产| 51国产日韩欧美| 久久久久久久久大av| 亚洲久久久国产精品| 国产精品久久久久久精品电影小说 | 欧美精品亚洲一区二区| 99热网站在线观看| 亚洲久久久国产精品| 下体分泌物呈黄色| 色婷婷av一区二区三区视频| 欧美激情国产日韩精品一区| 久久久久精品性色| 国产成人91sexporn| 麻豆成人av视频| 麻豆成人午夜福利视频| 久久久成人免费电影| 亚洲,欧美,日韩| 亚洲国产精品成人久久小说| www.色视频.com| 内射极品少妇av片p| 下体分泌物呈黄色| 久久久久久久久大av| 国产成人freesex在线| 亚洲人与动物交配视频| 丰满人妻一区二区三区视频av| 国产在线视频一区二区| 国产黄色视频一区二区在线观看| 丰满人妻一区二区三区视频av| 免费大片黄手机在线观看| 欧美xxxx性猛交bbbb| 亚洲精品乱久久久久久| 色综合色国产| 狂野欧美激情性bbbbbb| 日韩大片免费观看网站| 大香蕉久久网| 国产亚洲一区二区精品| 精品久久国产蜜桃| 全区人妻精品视频| 亚洲人成网站在线播|