發(fā)布時間：2025-02-11 20:30

　　多視角數(shù)據(jù)相對單一視角數(shù)據(jù)針對同一數(shù)據(jù)集能夠提供更豐富的信息來表示其潛在結(jié)構(gòu),在聚類問題中倍受關注。多視角數(shù)據(jù)聚類的傳統(tǒng)方法通常假設所有視角下樣例都具有完整的特征集。然而,在實際應用中,經(jīng)常會出現(xiàn)在某些視角下樣例丟失特征集的情況,導致聚類性能顯著退化,由此引出了局部多視角數(shù)據(jù)聚類問題。子空間方法可將高維特征的數(shù)據(jù)映射到一個低維子空間,能較好地處理多視角數(shù)據(jù),在多視角學習中有著廣泛應用。然而,多數(shù)此類工作都將來自多個視角的各種正則化項組合到一個單層目標中,導致優(yōu)化模型極其復雜,無法保證收斂,尤其是在局部數(shù)據(jù)場景中。針對以上問題,本文提出了一個雙層協(xié)同因子分解(Bilevel Collaborative Factorization,BCF)框架來改善現(xiàn)有的基于因子分解的局部多視角聚類方法的局限性。BCF模型將數(shù)據(jù)劃分為共享樣本和局部樣本,在上下兩層子問題中分別對跨多個視角和單個視角下的矩陣分解進行建模。設計了平均型迭代方案來推導BCF算法,并從理論上證明了其收斂性。在基準數(shù)據(jù)集上的大量實驗結(jié)果表明,本文提出的BCF算法優(yōu)于其他算法。輿情分析是聚類問題的一大重要應用領域,對于新聞的輿情研究,需...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外相關工作研究進展
    1.3 本文的研究內(nèi)容
    1.4 文章結(jié)構(gòu)安排
2 相關數(shù)學基礎
    2.1 雙層優(yōu)化
    2.2 聚類算法
        2.2.1 傳統(tǒng)聚類算法
        2.2.2 其他聚類方法
    2.3 多視角聚類
        2.3.1 完整多視角聚類
        2.3.2 局部多視角聚類
    2.4 基于子空間學習的聚類
        2.4.1 子空間學習
        2.4.2 子空間聚類算法
    2.5 本章小結(jié)
3 基于雙層優(yōu)化的多視角子空間聚類算法
    3.1 核心思想
    3.2 目標函數(shù)
        3.2.1 雙視角下的BCF模型
        3.2.2 一般情況下的BCF模型
        3.2.3 算法求解
    3.3 算法分析
        3.3.1 收斂性分析
        3.3.2 復雜度分析
    3.4 實驗結(jié)果與分析
        3.4.1 數(shù)據(jù)集
        3.4.2 對比算法
        3.4.3 聚類性能分析
        3.4.4 消融性分析
        3.4.5 參數(shù)設置
    3.5 本章小結(jié)
4 算法在輿情分析中的應用與實現(xiàn)
    4.1 輿情分析系統(tǒng)采用相關技術
        4.1.1 Python爬蟲
        4.1.2 數(shù)據(jù)庫方案
    4.2 新聞輿情聚類實現(xiàn)
        4.2.1 新聞數(shù)據(jù)集獲取
        4.2.2 數(shù)據(jù)集預處理
        4.2.3 聚類分析
        4.2.4 輿情分析
    4.3 算法應用實驗分析
    4.4 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：4033811