对比学习引导的双通道自适应融合网络多视图聚类方法

摘要

近年来，图卷积网络在多视图聚类中表现突出，但其侧重节点间结构信息建模，而属性信息仅通过简单的线性变换进行更新，限制了模型对节点属性信息的学习能力.为此，本文提出了对比学习引导的双通道自适应融合网络多视图聚类方法.首先，结合自编码器与图自编码器构建双通道网络，分别编码节点属性和结构信息，并设计通道自适应融合模块，利用注意力机制自适应融合不同通道网络在同一神经网络层中学习的属性与结构信息，以及不同神经网络层间的嵌入表示，以获得每个视图的嵌入表示.在此基础上，进一步利用注意力机制对多个视图的嵌入表示进行加权融合获得全局嵌入表示.最后，通过跨视图对比损失与自监督聚类损失迭代优化全局嵌入表示，强化视图间一致性信息学习，并生成了面向聚类任务的高质量嵌入表示.在3个公开数据集和3个来自郑州商品交易所的期货数据集上进行的实验表明，该方法在聚类任务中表现优异.

关键词

多视图聚类 / 自编码器 / 图自编码器 / 双通道网络