|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘要:针对概念分解(concept Factorization,CF)算法没有同时考虑样本中存在的类别信息及数据间多元几何结构信息的问题，该文提出一种基于超图正则化受限的概念分解(Hyper-graph regularized Constrained ConceptFactorization ,HCCF)算法。HCCF算法通过构建一个无向加权的拉普拉斯超图正则项，提取数据间的多元几何结构信息，克服了传统图模型只能表达数据间成对关系的缺陷:同时采用硬约束的方式使样本的类别信息在低维空间中保持一致，充分利用了标记样本的类别信息。该文采用乘性迭代的方法求解HCCF算法的目标函数并证明了其收敛性。在TDT2库、Reuters库和PIE库上的实验结果表明，HCCF算法提高了聚类的准确率和归一化互信息，险证了算法的有效性。
0 b4 {8 w/ c' s4 ~/ \+ I关键词:信息处理;概念分解:聚类;硬约束;超图:流形学习: B9 c5 x! G' [; R( _! A- R3 F" Q- V
9 h% g, ]9 n) w- H# \" y' R2 @# w' }( x, n
|
|
/1 
发表于 2021-3-16 14:24
收藏
淘帖
支持！
反对！