用于多视图图聚类的 One2Multi 图自动编码器

多视图图聚类旨在对通常提供更全面却更复杂信息的多视图图进行划分，近年来受到了广泛关注。尽管在多视图图聚类方面已有诸多探索并取得了不错的性能，但大多数方法都采用浅层模型来处理多视图图内部的复杂关系，这可能会严重限制建模多视图图信息的能力。在本文中，我们首次尝试将深度学习技术应用于属性多视图图聚类，并提出了一种新颖的任务引导型 One2Multi 图自动编码器聚类框架。One2Multi 图自动编码器能够利用一个信息丰富的图视图和内容数据来重构多个图视图，从而学习节点嵌入。因此，可以很好地捕获多个图的共享特征表示。此外，本文还提出了一种自训练聚类目标，以迭代改进聚类结果。通过将自训练与自动编码器的重构整合到一个统一的框架中，我们的模型可以联合优化聚类标签分配以及适用于图聚类的嵌入。在真实属性多视图图数据集上的实验充分验证了我们模型的有效性。