多视角生成模型的可解释性聚类

来源：计算机研究与发展杂志2017年第8期北京时间：

作者：潘笑颜,娄铮铮,姬波,叶阳东,

摘要：针对聚类中的多视角和可解释的问题，提出多视角生成模型的可解释性聚类算法(interpretableclusteringwithmulti-viewgenerativemodel,ICMG).ICMG能够产生多个视角的聚类划分，并通过视角的语义信息对聚类结果进行定性和定量地解释.首先，构建一种多视角生成模型(multi-viewgenerativemodel,MGM)，该模型使用贝叶斯程序学习(Bayesianprogramlearning,BPL)和嵌入多视角因素的贝叶斯案例模型(multi-viewBayesiancasemodel,MBCM)生成多个视角.其次，基于视角的匹配度进行聚类得到多种聚类方案.最后使用视角的原型和子空间所附带的语义信息定性和定量地解释聚类结果.实验结果表明：ICMG能够得到多种可解释的聚类结果，相比于传统多视角聚类算法具有较明显的优势.

关键词：贝叶斯程序学习, 贝叶斯案例模型, 可解释, 多视角, 聚类,