基于二部图和一致图学习的多视图聚类算法

doi:10.11772/j.issn.1001-9081.2024111593

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (11): 3583-3592.DOI: 10.11772/j.issn.1001-9081.2024111593

• 数据科学与技术 • 上一篇

基于二部图和一致图学习的多视图聚类算法

李顺勇¹^,², 刘坤¹, 曹利娜¹, 赵兴旺³^,⁴()

^1.山西大学数学与统计学院，太原 030006
^2.复杂系统与数据科学教育部重点实验室（山西大学），太原 030006
^3.山西大学计算机与信息技术学院，太原 030006
^4.计算智能与中文信息处理教育部重点实验室（山西大学），太原 030006

收稿日期:2024-11-11 修回日期:2025-01-26 接受日期:2025-02-08 发布日期:2025-02-21 出版日期:2025-11-10
通讯作者: 赵兴旺
作者简介:李顺勇（1975—），男，山西大同人，教授，博士，CCF专业会员，主要研究方向：统计机器学习、数据挖掘
刘坤（2001—），女，山西吕梁人，硕士研究生，CCF会员，主要研究方向：统计机器学习
曹利娜（2002—），女，山西吕梁人，硕士研究生，CCF会员，主要研究方向：统计机器学习
基金资助:
国家自然科学基金资助项目(82274360);山西省基础研究计划项目(202303021221054);山西省基础研究计划项目(202403021211086);山西省回国留学人员科研项目(2024-002)

Multi-view clustering algorithm based on bipartite graph and consensus graph learning

Shunyong LI¹^,², Kun LIU¹, Lina CAO¹, Xingwang ZHAO³^,⁴()

^1.School of Mathematics and Statistics，Shanxi University，Taiyuan Shanxi 030006，China
^2.Key Laboratory of Complex Systems and Data Science of Ministry of Education （Shanxi University），Taiyuan Shanxi 030006，China
^3.School of Computer and Information Technology，Shanxi University，Taiyuan Shanxi 030006，China
^4.Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education （Shanxi University），Taiyuan Shanxi 030006，China

Received:2024-11-11 Revised:2025-01-26 Accepted:2025-02-08 Online:2025-02-21 Published:2025-11-10
Contact: Xingwang ZHAO
About author:LI Shunyong， born in 1975， Ph. D.， professor. His research interests include statistical machine learning， data mining.
LIU Kun， born in 2001， M. S. candidate. Her research interests include statistical machine learning.
CAO Lina， born in 2002， M. S. candidate. Her research interests include statistical machine learning.
Supported by:
National Natural Science Foundation of China(82274360);Fundamental Research Program of Shanxi Province(202303021221054);Research Project of Shanxi Returned Overseas Students(2024-002)

摘要/Abstract

摘要：

目前大多数多视图聚类算法存在融合机制不够完善、对多视图协同关系挖掘不足以及鲁棒性较弱等问题，导致聚类结果一致性偏低，且在噪声和冗余信息下的性能不够稳健。针对上述问题，提出一种基于二部图和一致图学习的多视图聚类算法（BGC-MVC），旨在通过融合各视图信息来提升聚类的一致性和互补性。该算法通过构造二部图以捕获不同视图之间的邻域关系，并通过学习一致性图强化视图间的相似性。它将原始多视图数据的嵌入整合进一个统一的框架中，结合了图学习与聚类过程，从而能提高聚类的整体效果。实验结果表明，BGC-MVC在满足收敛性条件下的准确度、F-score、归一化互信息（NMI）和纯度均有明显的提升。其中，在MSRC_v1数据集上的F-score比LMVSC（Large-scale Multi-View Subspace Clustering）算法提高了19.48个百分点，并且表现出更强的鲁棒性与准确度。

关键词: 多视图聚类, 二部图, 一致图, 图融合, 嵌入学习

Abstract:

Most existing multi-view clustering algorithms suffer from issues such as incomplete fusion mechanisms， insufficient exploration of multi-view collaborative relationships， and weak robustness. These limitations result in low consistency in clustering results and unstable performance under noise and redundant information. To address these issues， a Multi-View Clustering algorithm based on Bipartite Graph and Consensus graph learning （BGC-MVC） was developed to enhance clustering consistency and complementarity by integrating information from multiple views. Specifically， BGC-MVC constructed a bipartite graph to capture neighborhood relationships across different views， and then learned a consensus graph to strengthen inter-view similarity. It integrated embeddings of the original multi-view data into a unified framework that combined graph learning with clustering process， thereby improving the overall clustering performance. Experimental results demonstrate that BGC-MVC achieves significant improvements in accuracy， F-score， Normalized Mutual Information （NMI） and purity under convergence conditions. Notably， on the MSRC_v1 dataset， BGC-MVC outperforms Large-scale Multi-View Subspace Clustering （LMVSC） by increasing the F-score by 19.48 percentage points and exhibits enhanced robustness and accuracy.

Key words: multi-view clustering, bipartite graph, consensus graph, graph fusion, embedding learning

中图分类号:

TP391

李顺勇, 刘坤, 曹利娜, 赵兴旺. 基于二部图和一致图学习的多视图聚类算法[J]. 计算机应用, 2025, 45(11): 3583-3592.

Shunyong LI, Kun LIU, Lina CAO, Xingwang ZHAO. Multi-view clustering algorithm based on bipartite graph and consensus graph learning[J]. Journal of Computer Applications, 2025, 45(11): 3583-3592.

图/表 13

表1 符号及定义

Tab. 1 Symbols and definitions

符号	含义	符号	含义	符号	含义
n	样本数	$A v ∈ R d v × t$	第v个视图的锚点矩阵	$F v ∈ R n × c$	嵌入矩阵
v	第v个视图	$Z v ∈ R t × n$	二部图矩阵	$F * ∈ R n × c$	谱嵌入矩阵
m	视图数	$S v ∈ R d v × n$	第v个视图的相似度矩阵	$F ∈ R n × c$	聚类指示矩阵
$d v$	第v个视图的特征维数	$G ∈ R d v × n$	一致图矩阵	$α v$	第v个视图的权重
$X v ∈ R d v × n$	第v个视图的数据矩阵

表1 符号及定义

Tab. 1 Symbols and definitions

符号	含义	符号	含义	符号	含义
n	样本数	$A v ∈ R d v × t$	第v个视图的锚点矩阵	$F v ∈ R n × c$	嵌入矩阵
v	第v个视图	$Z v ∈ R t × n$	二部图矩阵	$F * ∈ R n × c$	谱嵌入矩阵
m	视图数	$S v ∈ R d v × n$	第v个视图的相似度矩阵	$F ∈ R n × c$	聚类指示矩阵
$d v$	第v个视图的特征维数	$G ∈ R d v × n$	一致图矩阵	$α v$	第v个视图的权重
$X v ∈ R d v × n$	第v个视图的数据矩阵

图1 BGC-MVC算法流程

Fig. 1 Flowchart of BGC-MVC algorithm

表2 多视图数据集的描述

Tab. 2 Description of multi-view datasets

数据集	样本数	视图数	聚类数	第v个视图的特征维数d_v
数据集	样本数	视图数	聚类数	d₁	d₂	d₃	d₄	d₅	d₆
3sources	169	3	6	3 560	3 631	3 068	—	—	—
BBCsport	116	4	5	1 991	2 063	2 113	2 156	—	—
Cal7	1 474	6	7	48	40	254	1 984	512	926
MSRC_v1	210	6	7	1 302	48	512	100	256	210
Handwritten	2 000	6	10	240	76	216	47	64	6

表3 不同聚类算法在数据集上的准确度

Tab. 3 Accuracies of different clustering algorithms on datasets

算法	3sources	BBCsport	Cal7	MSRC_v1	Handwritten
K-means	0.496 1	0.277 2	0.372 6	0.591 1	0.503 8
SC	0.414 2	0.422 4	0.440 3	0.542 9	0.548 5
EOMSC-CA	0.572 8	0.500 1	0.835 1	0.671 4	0.834 0
EMKMC	0.656 8	0.666 2	0.516 0	0.633 7	0.572 7
LMVSC	0.499 4	0.506 0	0.726 6	0.720 4	0.896 5
DUBGL	0.825 4	0.889 0	0.703 2	0.727 1	0.887 5
GMC	0.692 3	0.560 3	0.692 0	0.747 6	0.882 0
COMVSC	0.686 4	0.698 3	0.813 4	0.771 4	0.945 0
IBFDMVC	0.796 0	0.805 6	0.736 8	0.895 0	0.896 5
SIB-MSC	0.774 7	0.715 6	0.714 5	0.724 5	0.805 7
BGC-MVC	0.826 3	0.704 8	0.735 9	0.757 1	0.904 8

表4 不同聚类算法在数据集上的F-score

Tab. 4 F-scores of different clustering algorithms on datasets

算法	3sources	BBCsport	Cal7	MSRC_v1	Handwritten
K-means	0.455 6	0.456 9	0.465 4	0.695 2	0.632 0
SC	0.486 6	0.390 9	0.427 8	0.456 8	0.680 8
EOMSC-CA	0.596 2	0.577 6	0.796 7	0.547 5	0.873 8
EMKMC	0.716 0	0.701 7	0.813 0	0.709 5	0.712 5
DUBGL	0.810 7	0.835 3	0.804 8	0.756 8	0.795 8
LMVSC	0.520 7	0.603 4	0.694 7	0.714 3	0.854 0
GMC	0.604 7	0.443 9	0.721 7	0.696 8	0.865 3
COMVSC	0.678 8	0.532 2	0.772 8	0.677 6	0.893 4
IBFDMVC	0.805 4	0.753 4	0.785 4	0.895 3	0.883 4
SIB-MSC	0.754 2	0.783 5	0.735 4	0.845 7	0.836 9
BGC-MVC	0.833 8	0.793 5	0.823 3	0.909 1	0.919 4

表5 不同聚类算法在数据集上的NMI值

Tab. 5 NMI values of different clustering algorithms on datasets

算法	3sources	BBCsport	Cal7	MSRC_v1	Handwritten
K-means	0.535 6	0.433 6	0.471 0	0.650 5	0.610 8
SC	0.441 4	0.289 5	0.486 8	0.485 3	0.706 7
EOMSC-CA	0.519 4	0.474 7	0.521 9	0.560 8	0.776 7
EMKMC	0.673 7	0.743 8	0.544 0	0.685 1	0.618 3
LMVSC	0.575 4	0.544 3	0.519 3	0.759 6	0.844 3
DUBGL	0.757 3	0.806 9	0.609 2	0.767 3	0.800 1
GMC	0.621 6	0.477 1	0.659 5	0.750 9	0.804 1
COMVSC	0.530 1	0.534 6	0.531 1	0.704 0	0.892 5
IBFDMVC	0.746 5	0.714 6	0.765 2	0.816 0	0.832 3
SIB-MSC	0.775 4	0.725 7	0.704 6	0.726 7	0.805 3
BGC-MVC	0.729 3	0.753 2	0.698 2	0.836 3	0.872 5

表6 不同聚类算法在数据集上的Purity值

Tab. 6 Purity values of different clustering algorithms on datasets

算法	3sources	BBCsport	Cal7	MSRC_v1	Handwritten
K-means	0.427 9	0.453 4	0.363 4	0.525 4	0.525 7
SC	0.458 6	0.425 4	0.326 7	0.552 7	0.646 5
EOMSC-CA	0.595 2	0.683 4	0.577 3	0.706 2	0.793 5
EMKMC	0.576 7	0.676 2	0.676 3	0.726 5	0.836 5
LMVSC	0.638 7	0.726 5	0.794 7	0.784 5	0.896 5
DUBGL	0.775 8	0.806 7	0.845 4	0.884 6	0.845 6
GMC	0.616 3	0.796 1	0.834 3	0.914 5	0.805 3
COMVSC	0.714 6	0.806 5	0.836 7	0.825 6	0.823 7
IBFDMVC	0.735 6	0.754 3	0.794 6	0.900 0	0.895 6
SIB-MSC	0.757 8	0.796 3	0.774 3	0.885 7	0.796 7
BGC-MVC	0.795 6	0.829 6	0.805 2	0.895 1	0.905 4

表7 癌症数据集上的p值对比

Tab. 7 Comparison of p values on cancer datasets

算法	Breast	Colon	GBM	Melanoma
EOMSC-CA	0.467 7	0.362 3	0.014 3	0.007 3
EMKMC	0.563 2	0.627 6	0.283 6	0.025 2
DUBGL	0.015 4	0.254 2	0.193 5	0.179 3
LMVSC	0.025 6	0.042 5	0.028 3	0.284 2
GMC	0.014 5	0.266 7	0.156 8	0.000 4
COMVSC	0.239 5	0.025 2	0.456 4	0.134 6
IBFDMVC	0.005 2	0.000 5	0.052 4	0.085 2
SIB-MSC	0.009 4	0.232 7	0.000 3	0.253 4
BGC-MVC	0.004 2	0.000 3	0.000 3	0.000 2

图2 聚类性能对锚点数的敏感性分析

Fig. 2 Sensitivity analysis of clustering performance to number of anchor points

图3 参数敏感性分析

Fig. 3 Parameter sensitivity analysis

图4 时间复杂度分析

Fig. 4 Time complexity analysis

表8 消融实验结果

Tab. 8 Ablation experimental results

数据集	算法	准确度	F-score
3sources	BGC-MVC	0.826 3	0.833 8
	de-Ⅰ	0.506 3	0.703 5
	de-Ⅱ	0.546 3	0.627 9
	de-Ⅲ	0.606 3	0.636 7
BBCsport	BGC-MVC	0.704 8	0.793 5
	de-Ⅰ	0.638 7	0.597 3
	de-Ⅱ	0.625 4	0.724 7
	de-Ⅲ	0.517 7	0.663 5
Cal7	BGC-MVC	0.735 9	0.823 3
	de-Ⅰ	0.494 6	0.792 1
	de-Ⅱ	0.513 4	0.652 6
	de-Ⅲ	0.613 4	0.684 8
MSRC_v1	BGC-MVC	0.757 1	0.909 1
	de-Ⅰ	0.782 6	0.434 5
	de-Ⅱ	0.623 4	0.723 4
	de-Ⅲ	0.525 4	0.834 5
Handwritten	BGC-MVC	0.904 8	0.919 4
	de-Ⅰ	0.802 5	0.834 2
	de-Ⅱ	0.820 9	0.502 3
	de-Ⅲ	0.638 3	0.591 3

图5 收敛曲线

Fig. 5 Convergence curves

参考文献 43

[1]	WALIA G S， SINGH T， SINGH K， et al. Robust multimodal biometric system based on optimal score level fusion model［J］. Expert Systems with Applications， 2019， 116： 364-376.
[2]	JAMES A. P， DASARATHY B V. Medical image fusion： a survey of the state of the art［J］. Information Fusion， 2014， 19： 4-19.
[3]	LIU J， RAHMANI H， AKHTAR N， et al. Learning human pose models from synthesized data for robust RGB-D action recognition［J］. International Journal of Computer Vision， 2019， 127（10）： 1545-1564.
[4]	WU M， LING H， BI N， et al. Visual tracking with multiview trajectory prediction［J］. IEEE Transactions on Image Processing， 2020， 29： 8355-8367.
[5]	HE X， LIAO L， ZHANG H， et al. Neural collaborative filtering［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 173-182.
[6]	ZHAN K， NIE F， WANG J， et al. Multiview consensus graph clustering［J］. IEEE Transactions on Image Processing， 2019， 28（3）： 1261-1270.
[7]	LI X， ZHANG H， WANG R， et al. Multiview clustering： a scalable and parameter-free bipartite graph fusion method［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（1）： 330-344.
[8]	ZHANG G Y， CHEN X W， ZHOU Y R， et al. Kernelized multi-view subspace clustering via auto-weighted graph learning［J］. Applied Intelligence， 2022， 52（1）： 716-731.
[9]	GAO H， NIE F， LI X， et al. Multi-view subspace clustering［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 4238-4246.
[10]	XU J， REN Y， TANG H， et al. Self-supervised discriminative feature learning for deep multi-view clustering［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（7）： 7470-7482.
[11]	ZHAO J， LYU G， FENG S. Linear neighborhood reconstruction constrained latent subspace discovery for incomplete multi-view clustering［J］. Applied Intelligence， 2021， 52（1）： 982-993.
[12]	ZHOU T， ZHANG C， PENG X， et al. Dual shared-specific multiview subspace clustering［J］. IEEE Transactions on Cybernetics， 2020， 50（8）： 3517-3530.
[13]	KANG Z， PENG C， CHENG Q， et al. Unified spectral clustering with optimal graph［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 3366-3373.
[14]	BRBIĆ M， KOPRIVA I. Multi-view low-rank sparse subspace clustering［J］. Pattern Recognition， 2018， 73： 247-258.
[15]	ZHAO X， EVANS N， DUGELAY J L. A subspace co-training framework for multi-view clustering［J］. Pattern Recognition Letters， 2014， 41： 73-82.
[16]	CHANG S， HU J， LI T， et al. Multi-view clustering via deep concept factorization［J］. Knowledge-Based Systems， 2021， 217： No.106807.
[17]	ZHENG Q， ZHANG Y， ZHU J， et al. Tensor-based intrinsic subspace representation learning for multi-view clustering［EB/OL］. ［2024-10-21］..
[18]	LIANG Y， HUANG D， WANG C D. Consistency meets inconsistency： a unified graph learning framework for multi-view clustering［C］// Proceedings of the 2019 IEEE International Conference on Data Mining. Piscataway： IEEE， 2019： 1204-1209.
[19]	ZHAO H， DING Z， FU Y. Multi-view clustering via deep matrix factorization［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2017： 2921-2927.
[20]	ZHAN K， ZHANG C， GUAN J， et al. Graph learning for multiview clustering［J］. IEEE Transactions on Cybernetics， 2018， 48（10）： 2887-2895.
[21]	WANG S， XIAO S， ZHU W， et al. Multi-view fuzzy clustering of deep random walk and sparse low-rank embedding［J］. Information Sciences， 2022， 586： 224-238.
[22]	LI J， ZHOU G， QIU Y， et al. Deep graph regularized non-negative matrix factorization for multi-view clustering［J］. Neurocomputing， 2020， 390： 108-116.
[23]	WANG C， GENG L， ZHANG J， et al. Multi-view clustering via robust consistent graph learning［J］. Digital Signal Processing， 2022， 128： No.103607.
[24]	YIN Q， WU S， HE R， et al. Multi-view clustering via pairwise sparse subspace representation［J］. Neurocomputing， 2015， 156： 12-21.
[25]	HUANG S， KANG Z， TSANG I W， et al. Auto-weighted multi-view clustering via kernelized graph learning［J］. Pattern Recognition， 2019， 88： 174-184.
[26]	ZHANG C， FU H， WANG J， et al. Tensorized multi-view subspace representation learning［J］. International Journal of Computer Vision， 2020， 128（8/9）： 2344-2361.
[27]	WANG S， LIU X， ZHU X， et al. Fast parameter-free multi-view subspace clustering with consensus anchor guidance［J］. IEEE Transactions on Image Processing， 2022， 31： 556-568.
[28]	ARTHUR D， VASSILVITSKII S. K-means++： the advantages of careful seeding［C］// Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms. Philadelphia， PA： SIAM， 2007： 1027-1035.
[29]	周乐，代婷婷，李淳，等.基于节点-属性二部图的网络表示学习模型［J］.计算机应用，2022，42（8）：2311-2318.
	ZHOU L， DAI T T， LI C， et al. Network representation learning model based on node attribute bipartite graph［J］. Journal of Computer Applications， 2022， 42（8）： 2311-2318.
[30]	NIE F， WANG X， HUANG H. Clustering and projected clustering with adaptive neighbors［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 977-986.
[31]	赵兴旺，王淑君，刘晓琳，等. 基于二部图的联合谱嵌入多视图聚类算法［J］. 软件学报， 2024， 35（9）： 4408-4424.
	ZHAO X W， WANG S J， LIU X L， et al. Joint spectral embedding multi-view clustering algorithm based on bipartite graphs［J］. Journal of Software， 2024， 35（9）： 4408-4424.
[32]	WANG H， YANG Y， LIU B. GMC： graph-based multi-view clustering［J］. IEEE Transactions on Knowledge and Data Engineering， 2020， 32（6）： 1116-1129.
[33]	DUAN Y， YUAN H， LAI C S， et al. Fusing local and global information for one-step multi-view subspace clustering［J］. Applied Sciences， 2022， 12（10）： No.5094.
[34]	杨在春，魏巍，岳琴，等. 稀疏表示一致性引导的多视图降维算法［J］. 小型微型计算机系统， 2023， 44（8）： 1637-1643.
	YANG Z C， WEI W， YUE Q， et al. Sparse representation consensus for multi-view dimensionality reduction［J］. Journal of Chinese Computer Systems， 2023， 44（8）： 1637-1643.
[35]	WINN J， JOJIC N. LOCUS： learning object classes with unsupervised segmentation［C］// Proceedings of the 10th IEEE International Conference on Computer Vision — Volume 1. Piscataway： IEEE， 2005： 756-763.
[36]	VON L U. A tutorial on spectral clustering［J］. Statistics and Computing， 2007， 17（4）： 395-416.
[37]	LIU S， WANG S， ZHANG P， et al. Efficient one-pass multi-view subspace clustering with consensus anchors［C］// Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2022： 7576-7584.
[38]	YANG B， ZHANG X， LI Z， et al. Efficient multi-view k-means clustering with multiple anchor graphs［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（7）： 6887-6900.
[39]	KANG Z， ZHOU W， ZHAO Z， et al. Large-scale multi-view subspace clustering in linear time［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 4412-4419.
[40]	ZHAO X， WANG S， LIU X， et al. Multi-view clustering via dynamic unified bipartite graph learning［J］. Pattern Recognition， 2024， 156： No.110715.
[41]	ZHANG P， LIU X， XIONG J， et al. Consensus one-step multi-view subspace clustering［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（10）： 4676-4689.
[42]	HU J， YANG C， HUANG K， et al. Information bottleneck fusion for deep multi-view clustering［J］. Knowledge-Based Systems， 2024， 289： No.111551.
[43]	WANG S， LI C， LI Y， et al. Self-supervised information bottleneck for deep multi-view subspace clustering［J］. IEEE Transactions on Image Processing， 2023， 32： 1555-1567.

基于二部图和一致图学习的多视图聚类算法

Multi-view clustering algorithm based on bipartite graph and consensus graph learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 43

相关文章 15

编辑推荐

Metrics

[1]	张悦岚, 苏静, 赵航宇, 杨白利. 基于知识感知与交互的多视图蒸馏推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2211-2220.
[2]	张翰林, 王俊陆, 宋宝燕. 融合衍生特征的时间序列事件分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 428-435.
[3]	区卓越, 邓秀勤, 陈磊. 基于加权锚点的自适应多视图互补聚类算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 115-126.
[4]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[5]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[6]	董瑶, 付怡雪, 董永峰, 史进, 陈晨. 不完整多视图聚类综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1673-1682.
[7]	杨成昊, 胡节, 王红军, 彭博. 基于注意力机制的不完备多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3784-3789.
[8]	朱云华, 孔兵, 周丽华, 陈红梅, 包崇明. 图对比学习引导的多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3267-3274.
[9]	何子仪, 杨燕, 张熠玲. 深度融合多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2651-2656.
[10]	劳景欢, 黄栋, 王昌栋, 赖剑煌. 基于视图互信息加权的多视图集成聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1713-1718.
[11]	管娇娇, 钱雪忠, 周世兵, 姜凯彬, 宋威. 基于格拉斯曼流形子空间融合的多视图聚类[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3740-3749.
[12]	董永峰, 屈向前, 李林昊, 董瑶. 基于作者偏好的学术投稿刊物推荐算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 50-56.
[13]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[14]	潘振君, 梁成, 张化祥. 基于一致图学习的鲁棒多视图子空间聚类[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3438-3446.
[15]	盛俊, 李斌, 陈崚. 基于模块度和标签传递的推荐算法[J]. 计算机应用, 2020, 40(9): 2606-2612.