• <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.

    欧美av亚洲av综合av国产av| 欧美少妇被猛烈插入视频| 亚洲精品美女久久久久99蜜臀 | 亚洲成国产人片在线观看| 黑人欧美特级aaaaaa片| 国产亚洲一区二区精品| 美女中出高潮动态图| 国产男女超爽视频在线观看| 波多野结衣一区麻豆| 欧美日韩亚洲国产一区二区在线观看 | www.精华液| 最近手机中文字幕大全| 精品亚洲乱码少妇综合久久| 国产欧美亚洲国产| 亚洲一码二码三码区别大吗| 最近中文字幕2019免费版| 一本一本久久a久久精品综合妖精| 自线自在国产av| 自线自在国产av| 久久人人97超碰香蕉20202| 亚洲欧美激情在线| 女性被躁到高潮视频| 国产精品熟女久久久久浪| 免费在线观看影片大全网站 | 免费看十八禁软件| 国产黄色免费在线视频| 精品人妻熟女毛片av久久网站| 欧美激情极品国产一区二区三区| 亚洲国产精品999| 91麻豆精品激情在线观看国产 | 久久久久久久精品精品| 亚洲成人免费电影在线观看 | 亚洲精品av麻豆狂野| 秋霞在线观看毛片| 精品人妻熟女毛片av久久网站| 99国产综合亚洲精品| 精品国产乱码久久久久久男人| 亚洲九九香蕉| 老司机影院毛片| 人成视频在线观看免费观看| 99热国产这里只有精品6| 日本av手机在线免费观看| 日韩 亚洲 欧美在线| 男女无遮挡免费网站观看| 久久人妻熟女aⅴ| av片东京热男人的天堂| 日本欧美国产在线视频| 精品人妻在线不人妻| 大型av网站在线播放| 各种免费的搞黄视频| 国语对白做爰xxxⅹ性视频网站| 亚洲av成人不卡在线观看播放网 | 女警被强在线播放| 一级毛片女人18水好多 | 久久这里只有精品19| 啦啦啦在线免费观看视频4| 美女视频免费永久观看网站| videosex国产| 国产成人欧美在线观看 | 精品免费久久久久久久清纯 | 国产精品人妻久久久影院| 欧美少妇被猛烈插入视频| av片东京热男人的天堂| 99精品久久久久人妻精品| 久9热在线精品视频| 麻豆国产av国片精品| 青青草视频在线视频观看| 亚洲熟女毛片儿| 国产精品国产av在线观看| 日韩一本色道免费dvd| 国产激情久久老熟女| 国产片特级美女逼逼视频| 久久精品熟女亚洲av麻豆精品| 国产成人精品无人区| 18禁裸乳无遮挡动漫免费视频| 亚洲精品国产av成人精品| 亚洲成人免费av在线播放| 精品国产一区二区三区久久久樱花| 亚洲国产av影院在线观看| 国产免费一区二区三区四区乱码| 日韩 欧美 亚洲 中文字幕| 交换朋友夫妻互换小说| 国产人伦9x9x在线观看| 三上悠亚av全集在线观看| 啦啦啦 在线观看视频| 美女主播在线视频| 国语对白做爰xxxⅹ性视频网站| 午夜福利视频在线观看免费| 精品福利永久在线观看| 青春草亚洲视频在线观看| 建设人人有责人人尽责人人享有的| 久久女婷五月综合色啪小说| 亚洲av男天堂| 五月天丁香电影| 欧美黑人精品巨大| 观看av在线不卡| 国产av国产精品国产| 黄色 视频免费看| 国产精品九九99| 国产成人一区二区三区免费视频网站 | 亚洲欧美精品综合一区二区三区| 久久精品aⅴ一区二区三区四区| 久久天躁狠狠躁夜夜2o2o | 看免费成人av毛片| 一区二区av电影网| 又粗又硬又长又爽又黄的视频| 婷婷色综合www| 国产日韩欧美在线精品| 电影成人av| 久久久精品94久久精品| 欧美成人精品欧美一级黄| videosex国产| 国产精品免费大片| 久久久久久免费高清国产稀缺| 19禁男女啪啪无遮挡网站| 日韩制服骚丝袜av| 国产精品久久久久成人av| 日韩 欧美 亚洲 中文字幕| 久久久亚洲精品成人影院| 亚洲欧洲精品一区二区精品久久久| 麻豆乱淫一区二区| 90打野战视频偷拍视频| av片东京热男人的天堂| 又紧又爽又黄一区二区| 亚洲久久久国产精品| 欧美日韩福利视频一区二区| 国产精品一区二区免费欧美 | 午夜福利视频精品| 精品少妇一区二区三区视频日本电影| 老汉色∧v一级毛片| 97在线人人人人妻| 精品少妇黑人巨大在线播放| 99热网站在线观看| 97人妻天天添夜夜摸| 国产不卡av网站在线观看| 免费人妻精品一区二区三区视频| 午夜91福利影院| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品成人免费网站| 国产1区2区3区精品| 久久久国产欧美日韩av| 免费人妻精品一区二区三区视频| 女人爽到高潮嗷嗷叫在线视频| 亚洲国产看品久久| 欧美日韩一级在线毛片| 欧美人与性动交α欧美软件| 尾随美女入室| 亚洲免费av在线视频| 国产老妇伦熟女老妇高清| 国产午夜精品一二区理论片| 视频区图区小说| 亚洲自偷自拍图片 自拍| 一区二区日韩欧美中文字幕| 亚洲欧美成人综合另类久久久| 一本大道久久a久久精品| 欧美在线黄色| 亚洲天堂av无毛| 王馨瑶露胸无遮挡在线观看| 国产淫语在线视频| 日韩伦理黄色片| 亚洲欧美清纯卡通| 亚洲久久久国产精品| 亚洲国产av影院在线观看| 国产片特级美女逼逼视频| 黄片小视频在线播放| 99热国产这里只有精品6| 又黄又粗又硬又大视频| 国产精品久久久人人做人人爽| 久久九九热精品免费| 精品少妇内射三级| 午夜免费男女啪啪视频观看| 精品一区二区三区四区五区乱码 | 啦啦啦 在线观看视频| 亚洲成国产人片在线观看| 侵犯人妻中文字幕一二三四区| 国产精品二区激情视频| 婷婷丁香在线五月| 三上悠亚av全集在线观看| 亚洲欧美精品自产自拍| av国产精品久久久久影院| 丁香六月天网| 久久九九热精品免费| 欧美日韩国产mv在线观看视频| 日韩视频在线欧美| bbb黄色大片| www日本在线高清视频| 亚洲精品一二三| 女警被强在线播放| 午夜两性在线视频| 国产成人精品久久久久久| 青春草亚洲视频在线观看| www.自偷自拍.com| 亚洲一区二区三区欧美精品| 精品卡一卡二卡四卡免费| 亚洲少妇的诱惑av| 国产免费现黄频在线看| 国产黄色免费在线视频| 高清av免费在线| 亚洲精品国产av成人精品| 日韩制服丝袜自拍偷拍| 大香蕉久久网| av网站在线播放免费| 亚洲熟女毛片儿| 亚洲成色77777| 一级片'在线观看视频| 亚洲精品在线美女| 人成视频在线观看免费观看| 欧美日韩国产mv在线观看视频| 国产午夜精品一二区理论片| 一本—道久久a久久精品蜜桃钙片| 97精品久久久久久久久久精品| 黄色一级大片看看| √禁漫天堂资源中文www| 黄色 视频免费看| 男女之事视频高清在线观看 | 在线观看免费视频网站a站| 免费观看a级毛片全部| 最近手机中文字幕大全| www.av在线官网国产| 中文精品一卡2卡3卡4更新| 亚洲三区欧美一区| 久久精品国产亚洲av高清一级| 久久热在线av| 国产一区有黄有色的免费视频| 91国产中文字幕| 中文字幕高清在线视频| 天天躁夜夜躁狠狠躁躁| 亚洲久久久国产精品| 777米奇影视久久| 亚洲精品国产av成人精品| 精品人妻一区二区三区麻豆| 精品国产乱码久久久久久男人| 一级毛片 在线播放| 丰满少妇做爰视频| 老熟女久久久| 成年动漫av网址| 日本a在线网址| 免费不卡黄色视频| 午夜福利影视在线免费观看| 亚洲国产精品国产精品| 国产欧美亚洲国产| 亚洲av成人精品一二三区| 欧美乱码精品一区二区三区| 精品人妻1区二区| 国产高清不卡午夜福利| 少妇人妻久久综合中文| 国产精品免费视频内射| 国产熟女欧美一区二区| 亚洲中文日韩欧美视频| 亚洲,欧美,日韩| 久久久久久亚洲精品国产蜜桃av| 999久久久国产精品视频| 欧美精品人与动牲交sv欧美| 丰满少妇做爰视频| 亚洲国产日韩一区二区| 成人影院久久| 久久狼人影院| 精品久久蜜臀av无| 涩涩av久久男人的天堂| 18禁黄网站禁片午夜丰满| 少妇 在线观看| 一级毛片黄色毛片免费观看视频| 国产1区2区3区精品| 久久久欧美国产精品| 视频区图区小说| 久久人人爽人人片av| 人体艺术视频欧美日本| 国产成人av激情在线播放| 日韩 欧美 亚洲 中文字幕| 黄色片一级片一级黄色片| 亚洲三区欧美一区| 中国美女看黄片| 一本久久精品| 人人妻人人澡人人爽人人夜夜| 久久午夜综合久久蜜桃| 久久久精品免费免费高清| 两人在一起打扑克的视频| 丝袜在线中文字幕| 成年人黄色毛片网站| 国产在视频线精品| 99精国产麻豆久久婷婷| 啦啦啦视频在线资源免费观看| 蜜桃在线观看..| 久久久久国产一级毛片高清牌| 飞空精品影院首页| 国产一区二区三区av在线| 中文乱码字字幕精品一区二区三区| 成年人免费黄色播放视频| 国产精品欧美亚洲77777| 自线自在国产av| 嫁个100分男人电影在线观看 | 国产免费福利视频在线观看| 咕卡用的链子| 亚洲成av片中文字幕在线观看| 日韩一卡2卡3卡4卡2021年| 免费日韩欧美在线观看| 看十八女毛片水多多多| 一级毛片女人18水好多 | 色综合欧美亚洲国产小说| 97人妻天天添夜夜摸| 深夜精品福利| 亚洲色图 男人天堂 中文字幕| 国产av国产精品国产| 在线亚洲精品国产二区图片欧美| 欧美激情极品国产一区二区三区| 极品人妻少妇av视频| 2021少妇久久久久久久久久久| 亚洲人成网站在线观看播放| 国产精品免费大片| 午夜影院在线不卡| 日本vs欧美在线观看视频| 国产一级毛片在线| 欧美亚洲 丝袜 人妻 在线| 男人爽女人下面视频在线观看| 夫妻性生交免费视频一级片| 啦啦啦视频在线资源免费观看| 国产91精品成人一区二区三区 | 极品人妻少妇av视频| 999精品在线视频| 日韩一本色道免费dvd| 99国产精品一区二区三区| 久久久国产精品麻豆| 我的亚洲天堂| 欧美黄色片欧美黄色片| 国产片内射在线| 国产精品香港三级国产av潘金莲 | 天天躁狠狠躁夜夜躁狠狠躁| 日韩av在线免费看完整版不卡| 精品少妇久久久久久888优播| 狠狠精品人妻久久久久久综合| 天天添夜夜摸| 午夜激情久久久久久久| 97精品久久久久久久久久精品| 一二三四社区在线视频社区8| 一区二区av电影网| 欧美+亚洲+日韩+国产| 欧美人与性动交α欧美精品济南到| 黄网站色视频无遮挡免费观看| 精品福利永久在线观看| 午夜激情av网站| 99国产精品一区二区蜜桃av | 亚洲国产精品一区二区三区在线| 日本欧美国产在线视频| 在线看a的网站| 一区二区三区乱码不卡18| 五月开心婷婷网| 我的亚洲天堂| 男女床上黄色一级片免费看| 看免费av毛片| 国产三级黄色录像| 国产免费视频播放在线视频| 国产成人精品在线电影| 精品卡一卡二卡四卡免费| av有码第一页| 午夜福利视频精品| 国产高清不卡午夜福利| 亚洲精品国产av成人精品| 成人亚洲欧美一区二区av| 在线观看免费高清a一片| 欧美激情极品国产一区二区三区| 99国产精品99久久久久| 老司机影院毛片| 国产成人精品久久二区二区免费| 黑丝袜美女国产一区| 王馨瑶露胸无遮挡在线观看| 免费高清在线观看日韩| 一本综合久久免费| 久久人妻熟女aⅴ| 又黄又粗又硬又大视频| 国产免费福利视频在线观看| a 毛片基地| 久久99一区二区三区| 在现免费观看毛片| 国产成人精品无人区| 在线 av 中文字幕| 男的添女的下面高潮视频| 国产老妇伦熟女老妇高清| 在线看a的网站| 色婷婷久久久亚洲欧美| 老鸭窝网址在线观看| 99国产精品一区二区三区| 男女之事视频高清在线观看 | 免费高清在线观看日韩| 亚洲欧美清纯卡通| 99国产精品一区二区蜜桃av | 色网站视频免费| netflix在线观看网站| 色网站视频免费| 欧美乱码精品一区二区三区| 免费观看av网站的网址| 婷婷色综合www| 你懂的网址亚洲精品在线观看| 99九九在线精品视频| 午夜福利免费观看在线| 精品国产国语对白av| 免费高清在线观看日韩| 亚洲精品国产av成人精品| 99国产综合亚洲精品| 国语对白做爰xxxⅹ性视频网站| 久久国产精品大桥未久av| 好男人视频免费观看在线| 久久女婷五月综合色啪小说| 日韩免费高清中文字幕av| 亚洲九九香蕉| 欧美精品啪啪一区二区三区 | 久久人妻福利社区极品人妻图片 | 汤姆久久久久久久影院中文字幕| 日韩一区二区三区影片| 后天国语完整版免费观看| 婷婷色av中文字幕| 又大又黄又爽视频免费| 亚洲av在线观看美女高潮| 亚洲国产av影院在线观看| 日本五十路高清| 日韩伦理黄色片| 伊人久久大香线蕉亚洲五| 亚洲国产av影院在线观看| 极品少妇高潮喷水抽搐| 777米奇影视久久| 日韩精品免费视频一区二区三区| 久久久精品94久久精品| 99国产精品免费福利视频| 亚洲,一卡二卡三卡| 美女高潮到喷水免费观看| 美女福利国产在线| 99国产综合亚洲精品| 99国产精品一区二区三区| 男的添女的下面高潮视频| 一级黄片播放器| 麻豆国产av国片精品| 好男人电影高清在线观看| 亚洲伊人久久精品综合| 欧美日韩亚洲高清精品| 这个男人来自地球电影免费观看| 欧美国产精品va在线观看不卡| 亚洲中文av在线| 精品一区二区三区av网在线观看 | 欧美亚洲日本最大视频资源| 少妇人妻 视频| 久久久国产欧美日韩av| 多毛熟女@视频| 亚洲国产精品999| 啦啦啦在线免费观看视频4| 午夜福利在线免费观看网站| 欧美性长视频在线观看| 又大又爽又粗| 久久久久久久国产电影| 亚洲成国产人片在线观看| 午夜福利乱码中文字幕| 国产男人的电影天堂91| 999精品在线视频| 日韩人妻精品一区2区三区| 亚洲五月色婷婷综合| 日本av免费视频播放| 亚洲专区中文字幕在线| 亚洲成国产人片在线观看| 久热这里只有精品99| 国产一区二区 视频在线| 国产精品.久久久| av电影中文网址| 男的添女的下面高潮视频| 精品国产超薄肉色丝袜足j| 欧美日韩视频精品一区| 一边摸一边做爽爽视频免费| 男的添女的下面高潮视频| 天天躁日日躁夜夜躁夜夜| 在线天堂中文资源库| 天堂8中文在线网| 久久久欧美国产精品| 欧美另类一区| 国产真人三级小视频在线观看| 日韩一卡2卡3卡4卡2021年| 老熟女久久久| 午夜老司机福利片| 成年av动漫网址| 操出白浆在线播放| 晚上一个人看的免费电影| 欧美日韩成人在线一区二区| 秋霞在线观看毛片| 欧美日韩成人在线一区二区| 精品福利观看| 国产伦人伦偷精品视频| 天天躁日日躁夜夜躁夜夜| 人人妻人人澡人人爽人人夜夜| 亚洲欧洲精品一区二区精品久久久| 王馨瑶露胸无遮挡在线观看| 精品少妇黑人巨大在线播放| 一区二区三区四区激情视频| 美女高潮到喷水免费观看| 亚洲免费av在线视频| 日韩视频在线欧美| 久久精品亚洲av国产电影网| 日韩 亚洲 欧美在线| 久久免费观看电影| 一级黄色大片毛片| 一级片免费观看大全| 丝袜脚勾引网站| 一级片免费观看大全| 一级黄色大片毛片| 天天添夜夜摸| 又黄又粗又硬又大视频| 欧美精品人与动牲交sv欧美| 亚洲成人免费电影在线观看 | 高清欧美精品videossex| 国产精品av久久久久免费| 中文字幕av电影在线播放| 一二三四社区在线视频社区8| 看免费av毛片| 国产91精品成人一区二区三区 | 国产亚洲av片在线观看秒播厂| 亚洲人成电影观看| 成年人午夜在线观看视频| 青草久久国产| av在线app专区| 欧美精品av麻豆av| 国产男女超爽视频在线观看| 狂野欧美激情性bbbbbb| 18禁黄网站禁片午夜丰满| 亚洲国产看品久久| 日日夜夜操网爽| 满18在线观看网站| 国产一级毛片在线| 777米奇影视久久| 在线精品无人区一区二区三| av不卡在线播放| 欧美精品一区二区免费开放| 亚洲国产毛片av蜜桃av| 我的亚洲天堂| 天堂中文最新版在线下载| 啦啦啦啦在线视频资源| 国产成人欧美在线观看 | xxx大片免费视频| 久久精品aⅴ一区二区三区四区| 久久青草综合色| 美女脱内裤让男人舔精品视频| 亚洲专区国产一区二区| 日韩制服骚丝袜av| 1024香蕉在线观看| 国产在视频线精品| 国产一区二区三区av在线| 国产成人系列免费观看| 日本av手机在线免费观看| 亚洲国产精品一区二区三区在线| 欧美 日韩 精品 国产| 欧美日韩亚洲国产一区二区在线观看 | 天堂中文最新版在线下载| 婷婷色av中文字幕| av网站在线播放免费| 国产精品九九99| 精品福利观看| 亚洲伊人久久精品综合| 国产伦理片在线播放av一区| 最近手机中文字幕大全| 如日韩欧美国产精品一区二区三区| 无遮挡黄片免费观看| 50天的宝宝边吃奶边哭怎么回事| 久久精品国产亚洲av高清一级| 晚上一个人看的免费电影| 国产男女内射视频| 国产精品.久久久| 欧美日韩精品网址| 亚洲av成人不卡在线观看播放网 | 国产成人av激情在线播放| 国产免费福利视频在线观看| 午夜视频精品福利| 一级毛片电影观看| 最近中文字幕2019免费版| xxx大片免费视频| 热99久久久久精品小说推荐| 黄片播放在线免费| 午夜免费观看性视频| 最新的欧美精品一区二区| 妹子高潮喷水视频| 免费观看a级毛片全部| 男人舔女人的私密视频| 老司机靠b影院| 精品人妻一区二区三区麻豆| 精品少妇黑人巨大在线播放| 免费在线观看黄色视频的| 国产精品久久久久成人av| 国产一级毛片在线| 老司机午夜十八禁免费视频| 精品一区二区三卡| 涩涩av久久男人的天堂| 黑丝袜美女国产一区| 国产有黄有色有爽视频| 亚洲精品日本国产第一区| 国产成人影院久久av| 伊人久久大香线蕉亚洲五| 一本大道久久a久久精品| 18在线观看网站| 男人舔女人的私密视频| 十分钟在线观看高清视频www| 亚洲欧美日韩另类电影网站| 18禁黄网站禁片午夜丰满| 在线观看一区二区三区激情| 日本猛色少妇xxxxx猛交久久| 亚洲伊人色综图| 天堂中文最新版在线下载| 脱女人内裤的视频| 午夜日韩欧美国产| 亚洲精品美女久久久久99蜜臀 | 麻豆乱淫一区二区| 亚洲欧美一区二区三区黑人| 天天躁日日躁夜夜躁夜夜| 国产成人精品在线电影| 精品少妇久久久久久888优播| 国产精品av久久久久免费| 国产精品一区二区精品视频观看| 成年人黄色毛片网站| 美女视频免费永久观看网站| 日韩大片免费观看网站| 少妇被粗大的猛进出69影院| 777米奇影视久久| 人人妻人人爽人人添夜夜欢视频|