结合多尺度注意力和自训练的超图聚类方法

摘要

单个较大的非均匀超图聚类旨在将非均匀超图包含的节点划分为多个簇，使得簇内节点越相似越好，簇间节点越不相似越好，具有广泛的应用前景.目前最优的基于超图神经网络的非均匀超图聚类模型MADC(Non-uniform hypergraph clustering combining multi-scale attention and dynamic construction)仍存在不足：超图特征嵌入的学习效率不高.针对这个问题，提出了一种基于多尺度注意力和自训练网络的非均匀超图聚类模型STHC(Self-Training non-uniform Hypergraph Clustering).STHC模型采用并行的多尺度注意力网络学习超图特征嵌入，以提高其学习效率.此外，该模型还构造自训练网络，联合优化超图特征嵌入和超图聚类结果，以进一步得到更好的超图聚类结果.STHC模型在真实数据集上的大量实验结果验证了其在非均匀超图聚类上的聚类准确率(Accuracy, ACC)、标准互信息(Normalized Mutual Information, NMI)和调整兰德指数(Adjusted Rand Index, ARI)均优于所有对比方法.

关键词

非均匀超图 / 聚类 / 自训练网络 / 多尺度注意力