图优化的低秩双随机分解聚类

来源：计算机应用研究杂志2019年第2期北京时间：

作者：张涛,胡恩良,余景丽,

单位：云南师范大学数学学院,昆明650500；

摘要：低秩双随机矩阵分解聚类（low-rank doubly stochastic matrix decomposition for cluster analysis，DCD）通过最小化KL（Kullback-Leibler）散度准则：KL（A，S），从图关联矩阵S中获得一个非负低秩双随机矩阵分解：A=UUT（U≥0），并以U作为类标签矩阵进行聚类。在DCD方法中，因矩阵S是固定不可变的，故S初始取值选取的好坏对聚类结果有极大影响，这导致了它缺乏稳定性。针对这一问题，提出了一种基于图优化的DCD方法，将图关联矩阵S和DCD的优化集成在统一框架中，这改进和拓展了原始的DCD方法。实验结果表明，与DCD方法相比，图优化的DCD方法具有更好的聚类精确度和稳定性。

关键词：低秩双随机矩阵分解,图优化,稳定性,聚类,

基金资助：国家自然科学基金资助项目(61663049,61165012)；云南师范大学研究生科研创新基金项目(yjs201678)；；