多层多属性图的多视图模糊聚类

《IEEE Transactions on Fuzzy Systems》：Multiview Fuzzy Clustering for Multilayer and Multiattribute Graphs

多视图图联合利用拓扑结构和节点属性进行模糊聚类，提出ITF-MVFC模型，通过双可见-隐藏特征提取机制和非负矩阵分解实现多视图信息融合，结合网络Lasso正则化增强稀疏性和可解释性，实验证明其性能优于现有方法。

　　

摘要：

多视图属性图（MVAGs）提供了丰富的结构和属性信息，但现有的聚类方法难以同时利用多视图属性和多种图结构。此外，这些方法通常要么侧重于可见视图之间的协作，要么侧重于隐藏特征的提取，未能捕捉两者之间的协同作用。为了解决这些问题，我们提出了ITF-MVFC（基于内在和拓扑特征的多视图模糊聚类）这一新型聚类模型，专门用于处理MVAGs。ITF-MVFC首先根据拓扑连接构建邻接矩阵，然后引入基于非负矩阵分解的双重可见-隐藏特征提取机制，从而提取内在和拓扑的可见-隐藏特征表示。为了提高稀疏性和可解释性，我们进一步采用了网络套索正则化技术，使得内在特征和拓扑特征之间能够有效地进行协同学习。最后，我们建立了一个模糊聚类目标函数来整合这些多视图表示。在合成数据集、真实世界数据集和大规模数据集上的实验表明，ITF-MVFC在多个数据集的外部指标和内部验证指标上均显著优于现有的聚类方法。

引言

多层网络由节点及其复杂的、多方面的连接组成。由于多层网络能够有效捕捉演变系统的复杂性和异质性，它们已被广泛应用于各种领域[1]。作为多层网络的一种特殊类型，多视图属性图（MVAGs）不仅具有多层结构，能够表示不同类型的关系或交互，还包含与节点相关的丰富属性信息，从而从多个角度或视角理解数据[2]。在文献中，“多视图”也被称为“多特征视角”、“多模态”或“多源”，具体取决于上下文[3]、[4]、[5]。以多行业链为例，一个图视图展示了汽车行业中的企业之间的关系，而另一个图则展示了它们在电子行业中的联系；每个企业可能具有多种属性，如市场份额、生产能力和技术专长等。为了理解复杂的网络，聚类分析是一种关键工具，有助于揭示模式、识别群体，并根据节点之间的连接或属性对节点进行分类[6]、[7]。具体来说，MVAG聚类旨在将多个视图中的紧密连接的节点聚集在一起，同时确保同一簇内的节点在所有视图中共享相似的属性信息。如何在多个视图中有效利用网络结构和节点属性仍然是实现MVAGs准确聚类分析的重要挑战。