(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210209256.8 (22)申请日 2022.03.03 (71)申请人 天津大学 地址 300350 天津市津南区海河教育园雅 观路135号天津大 学北洋园校区 (72)发明人 曹萌　朱鹏飞　魏乐义　胡清华　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 曹玉平 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于集成异构图注意力网络的缺失多 视图聚类方法 (57)摘要 本发明公开了一种基于集成异构图注意力 网络的缺失多视图聚类方法， 所述方法主要包括 以下步骤： 基于非缺失视图学习一个公共的隐表 示； 基于公共隐表示构建k近邻图， 基于不同视图 的缺失情况构建特定的缺失模式图。 通过集成k 近邻图和不同视图的缺失模式图从而得到一个 集成的异构图， 代表不同缺失模式下样本间的相 互关系； 利用图注意力机制进一步加强了样本间 的交互， 从而学习到一组结构化的隐空间表示； 将概率分布的一致性嵌入到网络中， 从而学习一 个一致的分布用于聚类。 在 多个真实数据集上的 实验结果验证本发明所提方法在缺失多视图聚 类上的有效性和鲁棒 性。 权利要求书2页 说明书9页 附图2页 CN 114565783 A 2022.05.31 CN 114565783 A 1.一种基于集成异构图注意力网络的缺失多视图聚类方法， 其特征在于， 所述方法包 括以下步骤： 步骤1， 对所有可用视图学习一个公共的隐空间表示； 步骤2， 基于步骤1所学公共隐表示构建k近邻图， 并对每个视图构建缺失模式图， 将k近 邻图和缺失模式图结合， 可以得到一个集成异构图， 代 表不同缺失模式下样本间临近关系； 步骤3， 基于步骤2中所得的异构图， 利用图注意力 机制加强样本之间的交互， 学习到一 组结构化的隐表示； 步骤4， 基于步骤3中所学的结构化隐表示， 利用一致性分布约束学习一个一致的分布 用于聚类。 2.根据权利要求1所述的一种基于集成异构图注意力网络的缺失多视图聚类方法， 其 特征在于， 所述 步骤1中， 公共隐空间表示的重建损失函数为： 其中， Lr为重构损失， 其目的是学习原始数据与 公共隐表示之间的映射。 是 由 参数化的第v个视图的重构网络， 为第v个视图的第n个样本， N和V分别表示样本数 和视图数， snv表示第n个样本中第v个视图是否缺失的标志。 3.根据权利要求1所述的基于结构化表示学习的缺失多视图聚类方法， 其特征在于， 所 述步骤2中， 基于公共隐表示构建一个k近邻图Gn∈RN×N， 其表达公式如下： 其中， Nk(hi)和Nk(hj)分别表示样本i和样本j的k个最近邻样本 。 4.根据权利要求1所述的一种基于集成异构图注意力网络的缺失多视图聚类方法， 其 特征在于， 所述步骤2中， 对于每个视图构建一个缺失模式图 可以通过以下方式 计算得到： 其中， 和 分别表示第v个视图中的第i和j个样本 。 5.根据权利要求1所述的一种基于集成异构图注意力网络的缺失多视图聚类方法， 其 特征在于， 所述步骤2中， 结合k近邻图和缺失模式图， 可以得到一个隐空间异构图， 其定义 如下： 6.根据权利要求1所述的一种基于集成异构图注意力网络的缺失多视图聚类方法， 其 特征在于， 所述 步骤3中， 图注意力机制可定义 为：权　利　要　求　书 1/2 页 2 CN 114565783 A 2其中， hn为公共隐表示， Gv为邻接图矩阵， 为图注意力机制的可 学习参数， 通过图注意力机制学习， 可以得到一组结构化的隐表示： 7.根据权利要求1所述的一种基于集成异构图注意力网络的缺失多视图聚类方法， 其 特征在于， 所述 步骤4中， 一 致的概率分布学习步骤 包括： 对于第v个视图， 使用学生t ‑分布作为核来度量节点 和类簇中心 μj之间的相似性。 和 分别为初始分布Q(v)和目标分布P(v)中的元素， 其中， 可以定义 为： 其中， α 为学生t ‑分布的自由度， C为样本类别数， 表示在视图v中， 节点i分配为节点 j的概率。 在我们的实验中， 初始聚类中心可以通过在第v个视图对应的结构化隐表示上使 用K‑means得到， 并将所有视图的聚类中心设置为相同， 以便更好 地遵循一 致性原则， 通过将 提高到二次幂并按每 个簇的频率进行归一 化， 可以得到得到 其中， 为软分配频率。 为了比较两个概率分布的相似性， 将损失函数定义为 概率分布一致性损失Lc。 聚类损失定义为最小化所有视图原始 分布和目标分布之间的KL散 度， 因此， Lc可以定义 为: 其中， KL散度用来度量两个概 率分布之间的非对称差异， 最后， 取 的均值作为 最终的一 致性分布并用于聚类。权　利　要　求　书 2/2 页 3 CN 114565783 A 3