• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于潛在因子模型在子空間上的缺失值注意力聚類算法

    2024-01-09 04:01:42王嘯飛鮑勝利陳炯環(huán)
    計(jì)算機(jī)應(yīng)用 2023年12期
    關(guān)鍵詞:注意力比例權(quán)重

    王嘯飛,鮑勝利*,陳炯環(huán)

    基于潛在因子模型在子空間上的缺失值注意力聚類算法

    王嘯飛1,2,鮑勝利1,2*,陳炯環(huán)1,2

    (1.中國科學(xué)院 成都計(jì)算機(jī)應(yīng)用研究所,成都 610041; 2.中國科學(xué)院大學(xué),北京 100049)(?通信作者電子郵箱 baoshengli@casit.com.cn)

    針對(duì)傳統(tǒng)聚類算法在對(duì)缺失樣本進(jìn)行數(shù)據(jù)填充過程中存在樣本相似度難度量且填充數(shù)據(jù)質(zhì)量差的問題,提出一種基于潛在因子模型(LFM)在子空間上的缺失值注意力聚類算法。首先,通過LFM將原始數(shù)據(jù)空間映射到低維子空間,降低樣本的稀疏程度;其次,通過分解原空間得到的特征矩陣構(gòu)建不同特征間的注意力權(quán)重圖,優(yōu)化子空間樣本間的相似度計(jì)算方式,使樣本相似度的計(jì)算更準(zhǔn)確、泛化性更好;最后,為了降低樣本相似度計(jì)算過程中過高的時(shí)間復(fù)雜度,設(shè)計(jì)一種多指針的注意力權(quán)重圖進(jìn)行優(yōu)化。在4個(gè)按比例隨機(jī)缺失的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。在Hand-digits數(shù)據(jù)集上,相較于面向高維特征缺失數(shù)據(jù)的K近鄰插補(bǔ)子空間聚類(KISC)算法,在數(shù)據(jù)缺失比例為10%的情況下,所提算法的聚類準(zhǔn)確度(ACC)提高了2.33個(gè)百分點(diǎn),歸一化互信息(NMI)提高了2.77個(gè)百分點(diǎn),在數(shù)據(jù)缺失比例為20%的情況下,所提算法的ACC提高了0.39個(gè)百分點(diǎn),NMI提高了1.33個(gè)百分點(diǎn),驗(yàn)證了所提算法的有效性。

    潛在因子模型;缺失值;注意力機(jī)制;聚類算法;子空間

    0 引言

    隨著互聯(lián)網(wǎng)的快速發(fā)展以及企業(yè)數(shù)據(jù)業(yè)務(wù)的大規(guī)模擴(kuò)張,數(shù)據(jù)資源呈現(xiàn)爆炸式增長的趨勢,對(duì)數(shù)據(jù)挖掘、信息過濾和搜索的研究得到了廣泛關(guān)注。聚類算法作為數(shù)據(jù)挖掘技術(shù)的一種重要形式,能夠根據(jù)相似度將一組數(shù)據(jù)(通常表現(xiàn)成一組數(shù)據(jù)張量或者多維數(shù)據(jù)空間當(dāng)中的點(diǎn)集)聚類成簇。同一個(gè)簇內(nèi)的數(shù)據(jù)密切相關(guān),不同簇內(nèi)的數(shù)據(jù)存在一定的差異[1]。

    聚類算法作為一種無監(jiān)督的機(jī)器學(xué)習(xí)算法,可以在缺少先驗(yàn)信息的條件下,通過計(jì)算樣本間的相似度對(duì)數(shù)據(jù)進(jìn)行聚類。目前常見的聚類算法包括K均值(K-means)聚類算法[2]、高斯模型聚類[3]、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)[4]、層次聚類[5]和子空間聚類[6]。目前聚類算法被廣泛應(yīng)用到多個(gè)領(lǐng)域,如生物醫(yī)學(xué)分析[7]、推薦系統(tǒng)[8]、工程優(yōu)化和社交網(wǎng)絡(luò)[9]等。

    聚類算法在聚類過程中需要衡量數(shù)據(jù)樣本間的相似程度,盡可能地保證相似樣本分類在一個(gè)簇;但是在現(xiàn)實(shí)世界的數(shù)據(jù)收集過程中,底層數(shù)據(jù)通常不完整,存在部分缺失值樣本。缺失值產(chǎn)生的原因可能有多種:1)人為因素,例如在收集調(diào)查的數(shù)據(jù)集中,調(diào)查參與的人員可能拒絕回答或者忽略某些敏感問題;2)非人為因素,如設(shè)備的故障、不正確的測量、數(shù)據(jù)采集過程中存在限制或數(shù)據(jù)的損壞都會(huì)導(dǎo)致產(chǎn)生缺失數(shù)據(jù)[10]。文獻(xiàn)[11]中闡述了數(shù)據(jù)的缺失是聚類算法過程中常見的一類數(shù)據(jù)質(zhì)量問題,有效缺失值填充可以減少數(shù)據(jù)缺失造成的聚類錯(cuò)誤,提高聚類的準(zhǔn)確度。如果采用不恰當(dāng)?shù)奶畛浞绞?,則數(shù)據(jù)填充只是為了在算法上運(yùn)行缺失數(shù)據(jù),對(duì)提高算法準(zhǔn)確度并沒有幫助;如果算法準(zhǔn)確度較低,則數(shù)據(jù)填充對(duì)后續(xù)工作也沒有幫助,仍然存在數(shù)據(jù)質(zhì)量問題。對(duì)存在缺失值的樣本進(jìn)行聚類的結(jié)果通常不準(zhǔn)確,因?yàn)闃颖鹃g的相似度度量受缺失值的影響導(dǎo)致樣本分類錯(cuò)誤。為了提高聚類算法準(zhǔn)確度,解決數(shù)據(jù)質(zhì)量問題,使用聚類算法對(duì)帶有缺失值的數(shù)據(jù)進(jìn)行聚類,準(zhǔn)確衡量缺失數(shù)據(jù)中樣本的相似度就顯得尤為重要。

    對(duì)于缺失數(shù)據(jù)的處理,比較簡單且常用的方式有直接刪除或者不處理缺失值;但是在聚類過程中必然會(huì)使樣本相似度的計(jì)算準(zhǔn)確率降低,導(dǎo)致聚類的精度降低。目前應(yīng)用較為廣泛的數(shù)據(jù)插補(bǔ)法主要有特殊值替換(均值替換、0替換和最大最小值替換等)、多重插補(bǔ)法、K最近鄰(K-Nearest Neighbors, KNN)插補(bǔ)法、期望最大化(Expectation Maximization, EM)插補(bǔ)法和其他機(jī)器學(xué)習(xí)算法等[12]。

    針對(duì)數(shù)據(jù)不完整的情況,對(duì)缺失數(shù)據(jù)進(jìn)行聚類分析引起了國內(nèi)外學(xué)者的廣泛討論。Albayrak等[13]通過極大似然估計(jì)填充缺失數(shù)據(jù),但需要一部分的完整數(shù)據(jù)進(jìn)行聚類,再對(duì)缺失數(shù)據(jù)進(jìn)行處理;如果數(shù)據(jù)的缺失位分布均勻,將很難篩選完整的數(shù)據(jù)進(jìn)行建模。Pattanodom等[14]通過隨機(jī)填充缺失數(shù)據(jù)構(gòu)建不同的聚類模型,再衡量模型的效果以篩選最佳的填充方式;然而該方法構(gòu)建的模型可解釋性很難被評(píng)估,且對(duì)計(jì)算量的要求過高,如果數(shù)據(jù)規(guī)模較大,將產(chǎn)生大量的子模型。Huayan等[15]通過EM算法結(jié)合K-means算法處理缺失數(shù)據(jù),但是EM算法存在收斂慢和對(duì)初始化依賴較嚴(yán)重的缺點(diǎn),所以存在較大的不穩(wěn)定性。喬永堅(jiān)等[16]提出了一種面向高維特征缺失數(shù)據(jù)的KNN插補(bǔ)子空間聚類(KNN Interpolation Subspace Clustering, KISC)算法,利用數(shù)據(jù)子空間的近鄰關(guān)系填充數(shù)據(jù);然而在樣本相似度計(jì)算上僅計(jì)算了子空間中系數(shù)矩陣的歐氏距離進(jìn)行填充,并未考慮基數(shù)矩陣的關(guān)聯(lián)關(guān)系。王一棠等[17]采用了模糊聚類和非線性回歸插補(bǔ)的算法填充缺失數(shù)據(jù),針對(duì)盾構(gòu)機(jī)數(shù)據(jù)的效果良好;但是應(yīng)用具備一定的領(lǐng)域限制,且實(shí)現(xiàn)較復(fù)雜。

    針對(duì)以上算法存在的問題,本文提出了一種基于潛在因子模型(Latent Factor Model, LFM)在子空間上的缺失值注意力聚類算法。LFM結(jié)合矩陣分解可以很好地處理數(shù)據(jù)稀疏問題[18]。該算法主要分為以下幾個(gè)部分:1)針對(duì)缺失數(shù)據(jù)樣本間相似度難以度量的問題,通過LFM將原始數(shù)據(jù)空間映射到子空間,緩解樣本的稀疏性,且子空間包含樣本的結(jié)構(gòu)特征信息,使得樣本相似度得以計(jì)算且具備一定可解釋性。2)在樣本相似度計(jì)算方式上引入特征矩陣進(jìn)行權(quán)重注意力分配,使得樣本相似度的度量方式更精確,插補(bǔ)的泛化性更好。3)為了緩解在特征點(diǎn)對(duì)點(diǎn)相似度計(jì)算方式上高額的時(shí)間復(fù)雜度問題,改進(jìn)了注意力權(quán)重矩陣的結(jié)構(gòu),使時(shí)間復(fù)雜度達(dá)到了指數(shù)級(jí)別的優(yōu)化。

    1 基于LFM的缺失值注意力聚類算法

    1.1 問題定義

    表1符號(hào)和定義

    Tab.1 Symbols and definitions

    1.2 算法框架

    圖1 本文算法的框架

    1.3 LFM子空間分解

    1.3.1求解方法

    1.3.2優(yōu)化方法

    1.4 樣本間的權(quán)重注意力相似度算法

    1.4.1特征相似度權(quán)重圖

    通過計(jì)算不同特征的余弦相似度可以得到特征間的注意力權(quán)重值,不同特征的注意力權(quán)重可以構(gòu)建一個(gè)樣本注意力權(quán)重矩陣,它的結(jié)構(gòu)如圖2所示。

    圖2 樣本注意力權(quán)重矩陣的結(jié)構(gòu)

    1.4.2樣本注意力相似度計(jì)算方法

    圖3 樣本相似度計(jì)算方式

    如果相似集對(duì)應(yīng)位置存在缺失,則計(jì)算公式如式(13)所示:

    1.5 特征權(quán)重圖的結(jié)構(gòu)優(yōu)化

    算法1 相似樣本集算法。

    圖4 多指針相似度權(quán)重圖

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)

    實(shí)驗(yàn)通過4個(gè)數(shù)據(jù)集驗(yàn)證本文算法的有效性,包括兩個(gè)圖像分類數(shù)據(jù)集和兩個(gè)小樣本標(biāo)準(zhǔn)分類數(shù)據(jù)集,數(shù)據(jù)集信息如表2所示。

    表2 數(shù)據(jù)集信息

    其中Hand-digits和COIL20為兩個(gè)被廣泛使用的圖像分類數(shù)據(jù)集,分別為手寫數(shù)字的圖像數(shù)據(jù)集和多個(gè)物體不同角度拍攝的圖像數(shù)據(jù)集[16]。Breast-cancer和Wine為Sklearn開源機(jī)器學(xué)習(xí)工具庫中的標(biāo)準(zhǔn)分類數(shù)據(jù)集。

    2.2 實(shí)驗(yàn)設(shè)置和說明

    實(shí)驗(yàn)在Ubuntu18.04,CPU 2.90 GHz 16 GB內(nèi)存 GPU RTX3060 12 GB顯存上進(jìn)行,其中深度學(xué)習(xí)框架采用Torch,對(duì)數(shù)據(jù)的預(yù)處理和分析采用numpy和pandas進(jìn)行。

    同時(shí)為了驗(yàn)證多指針相似度權(quán)重圖對(duì)算法時(shí)間復(fù)雜度的提升,通過計(jì)算相似度算法每一個(gè)epoch數(shù)據(jù)插補(bǔ)的運(yùn)行時(shí)間進(jìn)行衡量,最終結(jié)果取10次運(yùn)行時(shí)間的平均值。

    2.3 評(píng)價(jià)指標(biāo)

    為了充分驗(yàn)證算法的有效性,實(shí)驗(yàn)選用聚類準(zhǔn)確度(Accuracy,ACC)和歸一化互信息(Normalized Mutual Information, NMI)作為評(píng)測指標(biāo),其中:ACC可以直接衡量聚類的準(zhǔn)確度,是常用的聚類度量指標(biāo);相較于ACC,NMI通過比較兩個(gè)聚類結(jié)果的相似程度,它的值域是[0,1],且NMI值不受簇類標(biāo)簽排列的影響[22]。NMI的計(jì)算公式如式(16)所示:

    2.4 實(shí)驗(yàn)結(jié)果和分析

    表3展示了不同數(shù)據(jù)集分別在ACC和NMI指標(biāo)上的實(shí)驗(yàn)結(jié)果。

    表3不同算法聚類結(jié)果的ACC和NMI比較 單位:%

    Tab.3 Comparison of ACC and NMI in clustering results between different algorithms unit:%

    由表3可以發(fā)現(xiàn):1)在Hand-digits數(shù)據(jù)集上,當(dāng)缺失比例為10%~20%時(shí),本文算法在子空間上的ACC和NMI均高于KISC算法和特殊值填充的K-means算法;相較于次優(yōu)的KISC算法,在數(shù)據(jù)缺失比例為10%的情況下,本文算法的ACC提高了2.33個(gè)百分點(diǎn),NMI提高了2.77個(gè)百分點(diǎn),在數(shù)據(jù)缺失比例為20%的情況下,本文算法的ACC提高了0.39個(gè)百分點(diǎn),NMI提高了1.33個(gè)百分點(diǎn);當(dāng)缺失比例為30%~40%時(shí),本文算法在原始空間的聚類效果優(yōu)于本文算法在子空間的聚類效果,說明當(dāng)缺失比例過大時(shí),子空間的特征結(jié)構(gòu)被損壞,聚類精度降低;同時(shí),在該缺失比例下本文算法在原始空間上的聚類效果優(yōu)于KISC算法和特殊值填充的K-means算法在原始空間的聚類效果,說明本文算法采用的子空間特征注意力的缺失值填充算法是有效的。2)在COIL2數(shù)據(jù)集上,本文算法在子空間上的ACC值均高于KISC算法和特殊值填充的K-means算法,說明了本文算法的先進(jìn)性;但是NMI指標(biāo)在缺失比例為30%時(shí),本文算法相較于KISC算法NMI指標(biāo)精度有所下降,在缺失比例為40%時(shí),本文算法在原始空間上的NMI指標(biāo)最優(yōu),可以發(fā)現(xiàn)當(dāng)缺失比例為30%時(shí)本文算法在原始空間的NMI指標(biāo)和KISC算法在子空間的NMI指標(biāo)差距較小,進(jìn)一步說明了子空間特征注意力的缺失值填充算法的有效性。3)在Breast-cancer和Wine數(shù)據(jù)集上,本文算法的ACC值均高于KISC算法和特殊值填充的K-means算法,只有當(dāng)Wine數(shù)據(jù)集缺失比例為40%時(shí),本文算法的NMI值低于0填充的K-means算法。進(jìn)一步發(fā)現(xiàn),當(dāng)缺失比例擴(kuò)大時(shí),本文算法和其他算法的差距逐漸縮小,如在Wine數(shù)據(jù)集上,當(dāng)缺失比例位于10%~30%,本文算法的ACC和NMI指標(biāo)均為最優(yōu);但當(dāng)缺失比例達(dá)到40%,本文算法的NMI指標(biāo)相較于K-means算法低了1.39個(gè)百分點(diǎn),說明在缺失比例過大的情況下,子空間對(duì)特征的整體概括能力有所下降。所以本文算法在缺失比例位于10%~30%區(qū)間具備明顯優(yōu)勢。

    3 結(jié)語

    本文針對(duì)傳統(tǒng)聚類算法在對(duì)缺失樣本進(jìn)行數(shù)據(jù)填充過程中存在樣本相似度難度量且填充數(shù)據(jù)質(zhì)量差的問題,提出了一種基于LFM在子空間上的缺失值注意力聚類算法。該算法通過LFM解決了因?yàn)闃颖鞠∈栊詫?dǎo)致相似距離無法度量、精度較低的問題;同時(shí)在樣本相似度的計(jì)算上考慮到子空間特征矩陣之間的相關(guān)性,并將它引入相似度計(jì)算方式,提高了樣本相似度計(jì)算方式的準(zhǔn)確度和泛化性。最后在多個(gè)數(shù)據(jù)集上通過ACC和NMI指標(biāo)驗(yàn)證了算法的有效性和可靠性。同時(shí)實(shí)驗(yàn)中發(fā)現(xiàn):當(dāng)數(shù)據(jù)缺失比例增大時(shí),子空間對(duì)特征信息的概括能力有所降低;當(dāng)數(shù)據(jù)缺失比例過大時(shí),當(dāng)前算法的聚類精度會(huì)有所下降。如何在數(shù)據(jù)缺失比例過大的情況下有效提高子空間下數(shù)據(jù)聚類算法的精度,需要進(jìn)一步研究。

    [1] AHALYA G,PANDEY H M. Data clustering approaches survey and analysis [C]// Proceedings of the 2015 International Conference on Futuristic Trends on Computational Analysis and Knowledge Management. Piscataway: IEEE,2015: 532-537.

    [2] XU H, YAO S, LI Q, et al. An improved K-means clustering algorithm[C]// Proceedings of the 2020 IEEE 5th International Symposium on Smart and Wireless Systems within the Conferences on Intelligent Data Acquisition and Advanced Computing Systems. Piscataway: IEEE, 2020: 1-5.

    [3] 王一妹,劉輝,宋鵬,等.基于高斯混合模型聚類的風(fēng)電場短期功率預(yù)測方法[J].電力系統(tǒng)自動(dòng)化,2021,45(7):37-43.(WANG Y M, LIU H, SONG P, et al. Short-term power forecasting method of wind farm based on Gaussian mixture model clustering [J]. Power System Automation, 2021,45(7): 37-43.)

    [4] JEBARI S, SMITI A, LOUATI A.AF-DBSCAN: an unsupervised automatic fuzzy clustering method based on DBSCAN approach[C]// Proceedings of the 2019 IEEE International Work Conference on Bioinspired Intelligence. Piscataway: IEEE,2019:1-6.

    [5] RONG Y, LIU Y.Staged text clustering algorithm based on K-means and hierarchical agglomeration clustering[C]// Proceedings of the 2020 IEEE International Conference on Artificial Intelligence and Computer Applications. Piscataway: IEEE,2020:124-127.

    [6] 任麗娜,秦永彬,黃瑞章,等.基于多層子空間語義融合的深度文本聚類[J].計(jì)算機(jī)應(yīng)用研究, 2023,40(1):70-74,79.(REN L N, QIN Y B, HUANG R Z,et al. Deep document clustering model via multi-layer subspace semantic fusion [J]. Application Research of Computers, 2023,40(1):70-74,79.)

    [7] TAN L, GU S, WU C, et al. K-means clustering method based on node similarity in traditional Chinese medicine efficacy[C]// Proceedings of the 2020 39th Chinese Control Conference. Piscataway: IEEE,2020:742-747.

    [8] YI Y. Design of intelligent recommendation APP for eco-tourism routes based on popular data clustering of points of interest[C]// Proceedings of the 2021 2nd International Conference on Smart Electronics and Communication. Piscataway: IEEE,2021: 1270-1273.

    [9] SHRUTHI S, JOSE A M, ANUROOP P R. Improvisation of cluster efficiency using min-cut algorithm in social networks[C]// Proceedings of the 2017 International Conference on Communication and Signal Processing. Piscataway: IEEE,2017:1641-1644.

    [10] LIU Q,HAUSWIRTH M. A provenance meta learning framework for missing data handling methods selection[C]// Proceedings of the 2020 11th IEEE Annual Ubiquitous Computing, Electronics & Mobile Communication Conference. Piscataway: IEEE,2020: 349-358.

    [11] 徐宇明,陳誠,熊赟,等.APT-KNN:一種面向分類問題的高效缺失值填充算法[J].計(jì)算機(jī)應(yīng)用與軟件,2011,28(4):135-139.(XU Y M, CHEN C, XIONG Y,et al. APT-KNN: an efficient missing value imputation method oriented toward classification issue [J]. Computer Applications and Software, 2011, 28 (4): 135-139.)

    [12] 徐鴻艷,孫云山,秦琦琳,等.缺失數(shù)據(jù)插補(bǔ)方法性能比較分析[J].軟件工程,2021,24(11):11-14.(XU H Y, SUN Y S, QIN Q L, et al. Comparative analysis of the performance of interpolation methods for of missing data[J]. Software Engineering, 2021,24 (11): 11-14.)

    [13] ALBAYRAK M, TURHAN K, KURT B. A missing data imputation approach using clustering and maximum likelihood estimation[C]// Proceedings of the 2017 Medical Technologies National Congress. Piscataway:IEEE, 2017:1-4.

    [14] PATTANODOM, IAM-ON N, BOONGOEN T. Clustering data with the presence of missing values by ensemble approach[C]// Proceedings of the 2016 Second Asian Conference on Defence Technology. Piscataway: IEEE, 2016: 151-156.

    [15] HUAYAN S, YELI L, RUNFEI Z, et al. Accelerating EM missing data filling algorithm based on the K-means[C]// Proceedings of the 2018 4th Annual International Conference on Network and Information Systems for Computers. Piscataway: IEEE, 2018:401-406.

    [16] 喬永堅(jiān),劉曉琳,白亮.面向高維特征缺失數(shù)據(jù)的K最近鄰插補(bǔ)子空間聚類算法[J].計(jì)算機(jī)應(yīng)用,2022,42(11):3322-3329.(QIAO Y J, LIU X L, BAI L. K-nearest neighbor interpolation subspace clustering algorithm for high-dimensional data with feature missing [J]. Journal of Computer Application, 2022,42(11): 3322-3329.)

    [17] 王一棠,龐勇,張立勇,等.面向盾構(gòu)機(jī)不完整數(shù)據(jù)的模糊聚類與非線性回歸填補(bǔ)[J].機(jī)械工程學(xué)報(bào), 2023, 59(12): 28-37.(WANG Y T, PANG Y, ZHANG L Y ,et al. Fuzzy clustering and nonlinear regression filling for incomplete data of shield machine [J]. Journal of Mechanical Engineering, 2023, 59(12): 28-37.)

    [18] 陳曄,劉志強(qiáng).基于LFM矩陣分解的推薦算法優(yōu)化研究[J].計(jì)算機(jī)工程與應(yīng)用,2019,55(2):116-120.(CHEN Y, LIU Z Q. Research on improved recommendation algorithm based on LFM matrix factorization [J]. Computer Engineering and Applications, 2019,55(2): 116-120.)

    [19] XIONG Y, LI H. Collaborative filtering algorithm in pictures recommendation based on SVD[C]// Proceedings of the 2018 International Conference on Robots & Intelligent System. Piscataway: IEEE, 2018:262-265.

    [20] 楊鏌. 基于偏置LFM和LSH的混合電影推薦算法研究[D].武漢:華中師范大學(xué),2021:13-15.(YANG M. Research on hybrid movie recommendation algorithm based on bias LFM and LSH[D]. Wuhan: Central China Normal University, 2021: 13-15.)

    [21] GUO S, LI C. Hybrid recommendation algorithm based on user behavior[C]// Proceedings of the 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference. Piscataway: IEEE, 2020:2242-2246.

    [22] 龍建武,王強(qiáng).反向近鄰構(gòu)造連通圖的聚類算法[J/OL].計(jì)算機(jī)科學(xué)與探索:1-15 [2023-02-07]. http://kns.cnki.net/kcms/detail/11.5602.TP.20220930.1744.006.html.(LONG J W, WANG Q. Clustering algorithm for constructing connected graphs by reverse nearest neighbors [J/OL]. Journal of Frontiers of Computer Science and Technology: 1-15 [2023-02-07]. http://kns.cnki.net/kcms/detail/11.5602.TP.20220930.1744.006.html.)

    Missing value attention clustering algorithm based on latent factor model in subspace

    WANG Xiaofei1,2, BAO Shengli1,2*, CHEN Jionghuan1,2

    (1,,610041,;2,100049,)

    To solve the problems that traditional clustering algorithms are difficult to measure the sample similarity and have poor quality of filled data in the process of filling missing samples, a missing value attention clustering algorithm based on Latent Factor Model (LFM) in subspace was proposed. First, LFM was used to map the original data space to a low dimensional subspace to reduce the sparsity of samples. Then, the attention weight graph between different features was constructed by decomposing the feature matrix obtained from the original space, and the similarity calculation method between subspace samples was optimized to make the calculation of sample similarity more accurate and more generalized. Finally, to reduce the high time complexity in the process of sample similarity calculation, a multi-pointer attention weight graph was designed for optimization. The algorithm was tested on four proportional random missing datasets. On the Hand-digits dataset, compared with the KISC (K-nearest neighbors Interpolation Subspace Clustering) algorithm for high-dimensional feature missing data, when the missing data was 10%, the Accuracy (ACC) of the proposed algorithm was improved by 2.33 percentage points and the Normalized Mutual Information (NMI) was improved by 2.77 percentage points; when the missing data was 20%, the ACC of the proposed algorithm was improved by 0.39 percentage points, and the NMI was improved by 1.33 percentage points, which verified the effectiveness of the proposed algorithm.

    Latent Factor Model (LFM); missing value; attention mechanism; clustering algorithm; subspace

    This work is partially supported by Western Young Scholars Project of Chinese Academy of Sciences (RRJZ2021003).

    WANG Xiaofei, born in 1997, M. S. candidate. His research interests include machine learning, recommendation algorithm.

    BAO Shengli, born in 1973, Ph. D., research fellow, His research interests include software engineering, big data.

    CHEN Jionghuan, born in 1998, M. S. candidate. His research interests include machine learning, big data.

    TP391.1

    A

    1001-9081(2023)12-3772-07

    10.11772/j.issn.1001-9081.2022121838

    2022?12?12;

    2023?02?13;

    2023?02?16。

    中國科學(xué)院西部青年學(xué)者項(xiàng)目(RRJZ2021003)。

    王嘯飛(1997—),男,湖南慈利人,碩士研究生,主要研究方向:機(jī)器學(xué)習(xí)、推薦算法;鮑勝利(1973—),男,安徽黃山人,研究員,博士,主要研究方向:軟件工程、大數(shù)據(jù);陳炯環(huán)(1998—),男,山東濰坊人,碩士研究生,主要研究方向:機(jī)器學(xué)習(xí)、大數(shù)據(jù)。

    猜你喜歡
    注意力比例權(quán)重
    讓注意力“飛”回來
    人體比例知多少
    權(quán)重常思“浮名輕”
    為黨督政勤履職 代民行權(quán)重?fù)?dān)當(dāng)
    基于公約式權(quán)重的截短線性分組碼盲識(shí)別方法
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    按事故責(zé)任比例賠付
    紅土地(2016年7期)2016-02-27 15:05:54
    限制支付比例只是治標(biāo)
    層次分析法權(quán)重的計(jì)算:基于Lingo的數(shù)學(xué)模型
    河南科技(2014年15期)2014-02-27 14:12:51
    最近中文字幕高清免费大全6| www日本在线高清视频| 麻豆乱淫一区二区| 国产一卡二卡三卡精品 | 国产精品一区二区在线不卡| 97精品久久久久久久久久精品| 国产精品麻豆人妻色哟哟久久| 国产免费现黄频在线看| 美女主播在线视频| 高清不卡的av网站| 中文字幕亚洲精品专区| 欧美人与善性xxx| 视频在线观看一区二区三区| 色综合欧美亚洲国产小说| 精品少妇内射三级| 十八禁高潮呻吟视频| 亚洲男人天堂网一区| 亚洲国产欧美一区二区综合| 伦理电影免费视频| 一区二区三区激情视频| 人人妻人人爽人人添夜夜欢视频| 街头女战士在线观看网站| 欧美另类一区| 狂野欧美激情性bbbbbb| 一区二区日韩欧美中文字幕| 亚洲激情五月婷婷啪啪| av天堂久久9| 久久久久精品性色| 国产av一区二区精品久久| 亚洲av日韩在线播放| 色吧在线观看| 色婷婷久久久亚洲欧美| 国产又爽黄色视频| 亚洲av日韩在线播放| 一级毛片 在线播放| 亚洲成人手机| 中文字幕亚洲精品专区| 99re6热这里在线精品视频| 51午夜福利影视在线观看| 亚洲,欧美,日韩| 亚洲人成电影观看| 一级毛片电影观看| a级毛片黄视频| 老熟女久久久| 成人免费观看视频高清| 中文欧美无线码| 亚洲综合色网址| 精品国产国语对白av| 久热爱精品视频在线9| 亚洲专区中文字幕在线 | 日韩伦理黄色片| av网站在线播放免费| 国产免费视频播放在线视频| 中文字幕亚洲精品专区| 19禁男女啪啪无遮挡网站| 欧美精品人与动牲交sv欧美| 成人国语在线视频| 99九九在线精品视频| 免费看av在线观看网站| a级片在线免费高清观看视频| 人体艺术视频欧美日本| 成人国产麻豆网| svipshipincom国产片| 最近手机中文字幕大全| av线在线观看网站| 国产在线免费精品| 91aial.com中文字幕在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 国产麻豆69| 欧美精品av麻豆av| 国产精品99久久99久久久不卡 | 99久久精品国产亚洲精品| 精品第一国产精品| 日韩中文字幕欧美一区二区 | 19禁男女啪啪无遮挡网站| 欧美黑人精品巨大| 久久天堂一区二区三区四区| 天堂中文最新版在线下载| 美女主播在线视频| 卡戴珊不雅视频在线播放| 麻豆精品久久久久久蜜桃| 亚洲国产看品久久| av视频免费观看在线观看| 久久天躁狠狠躁夜夜2o2o | 日韩一本色道免费dvd| 日日撸夜夜添| 一区二区三区四区激情视频| 久久精品久久久久久久性| 亚洲精品久久成人aⅴ小说| 夫妻性生交免费视频一级片| 精品久久久久久电影网| 精品久久久精品久久久| 国产亚洲av片在线观看秒播厂| 老汉色av国产亚洲站长工具| 亚洲天堂av无毛| 久久久久人妻精品一区果冻| 欧美成人午夜精品| 人妻一区二区av| 美女大奶头黄色视频| 性少妇av在线| 精品卡一卡二卡四卡免费| 欧美日韩亚洲高清精品| 岛国毛片在线播放| 哪个播放器可以免费观看大片| 亚洲中文av在线| 少妇人妻 视频| 欧美日韩成人在线一区二区| 伦理电影大哥的女人| 高清黄色对白视频在线免费看| 亚洲av日韩在线播放| 久久免费观看电影| 久久这里只有精品19| 各种免费的搞黄视频| 国产日韩一区二区三区精品不卡| av在线观看视频网站免费| 国产精品欧美亚洲77777| 日本猛色少妇xxxxx猛交久久| 日韩精品免费视频一区二区三区| 色婷婷久久久亚洲欧美| 亚洲国产欧美在线一区| 1024香蕉在线观看| 久久精品亚洲av国产电影网| 2021少妇久久久久久久久久久| 国产成人精品无人区| 亚洲精品中文字幕在线视频| 国产97色在线日韩免费| 国产一区二区激情短视频 | 天堂8中文在线网| 啦啦啦中文免费视频观看日本| 精品国产国语对白av| 久久午夜综合久久蜜桃| 午夜日韩欧美国产| 久久久久久久久免费视频了| 一本久久精品| 热re99久久精品国产66热6| 久久久久国产精品人妻一区二区| 97在线人人人人妻| 久久婷婷青草| 一级毛片黄色毛片免费观看视频| 波多野结衣一区麻豆| 亚洲精品乱久久久久久| 久久久久久久久免费视频了| 无限看片的www在线观看| 最近的中文字幕免费完整| 老汉色∧v一级毛片| 丁香六月天网| 久久精品人人爽人人爽视色| 一区二区三区精品91| 日韩制服骚丝袜av| 欧美国产精品一级二级三级| 亚洲激情五月婷婷啪啪| 最黄视频免费看| 在线观看三级黄色| 中文字幕av电影在线播放| 免费在线观看视频国产中文字幕亚洲 | 国产男人的电影天堂91| 热re99久久国产66热| 一二三四在线观看免费中文在| 巨乳人妻的诱惑在线观看| 熟女av电影| 又大又爽又粗| 可以免费在线观看a视频的电影网站 | 水蜜桃什么品种好| 国产日韩欧美在线精品| 少妇的丰满在线观看| 晚上一个人看的免费电影| 中文字幕人妻熟女乱码| www.自偷自拍.com| 亚洲精品国产一区二区精华液| 热99久久久久精品小说推荐| svipshipincom国产片| 美女视频免费永久观看网站| 日韩熟女老妇一区二区性免费视频| 搡老乐熟女国产| 人妻一区二区av| 美女福利国产在线| 国产福利在线免费观看视频| 午夜91福利影院| 中文字幕人妻丝袜制服| 亚洲婷婷狠狠爱综合网| 在线亚洲精品国产二区图片欧美| 中文字幕人妻丝袜制服| 国产精品秋霞免费鲁丝片| av天堂久久9| 中文乱码字字幕精品一区二区三区| 女人被躁到高潮嗷嗷叫费观| 国产午夜精品一二区理论片| 91aial.com中文字幕在线观看| 一级片'在线观看视频| netflix在线观看网站| 激情视频va一区二区三区| 精品视频人人做人人爽| 国产av码专区亚洲av| 麻豆av在线久日| 国产一区亚洲一区在线观看| 亚洲欧美清纯卡通| 狠狠精品人妻久久久久久综合| 看十八女毛片水多多多| 欧美人与性动交α欧美精品济南到| 男女国产视频网站| 亚洲欧美精品综合一区二区三区| 精品人妻熟女毛片av久久网站| 日韩av在线免费看完整版不卡| 2018国产大陆天天弄谢| 日本欧美国产在线视频| 精品人妻在线不人妻| 老司机亚洲免费影院| 亚洲精品视频女| 中文字幕高清在线视频| a 毛片基地| 欧美黑人精品巨大| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美成人午夜精品| 成人国产av品久久久| 国产精品香港三级国产av潘金莲 | 老司机靠b影院| 1024香蕉在线观看| 免费人妻精品一区二区三区视频| 欧美国产精品一级二级三级| 午夜福利视频在线观看免费| 中文字幕人妻丝袜制服| 在线观看免费午夜福利视频| 精品第一国产精品| 久久久久久免费高清国产稀缺| 亚洲成av片中文字幕在线观看| 亚洲人成电影观看| 一区二区三区四区激情视频| 午夜福利视频在线观看免费| 一级,二级,三级黄色视频| 久久 成人 亚洲| 黄色 视频免费看| 99re6热这里在线精品视频| 如日韩欧美国产精品一区二区三区| 国产亚洲欧美精品永久| 免费黄色在线免费观看| 亚洲成av片中文字幕在线观看| 别揉我奶头~嗯~啊~动态视频 | 国产成人精品在线电影| 国产视频首页在线观看| 纯流量卡能插随身wifi吗| 99re6热这里在线精品视频| 91国产中文字幕| 亚洲av男天堂| 国产高清不卡午夜福利| 亚洲一区中文字幕在线| 亚洲美女搞黄在线观看| 久久久欧美国产精品| 99国产综合亚洲精品| 中文欧美无线码| 亚洲综合色网址| av国产精品久久久久影院| 99九九在线精品视频| 国产精品一区二区精品视频观看| 国产乱人偷精品视频| 亚洲成人国产一区在线观看 | 中文字幕最新亚洲高清| 嫩草影院入口| 亚洲精品国产区一区二| 久久狼人影院| 国产一区二区三区综合在线观看| 欧美黄色片欧美黄色片| 中文字幕人妻丝袜一区二区 | 精品一区二区免费观看| 哪个播放器可以免费观看大片| 久久久久视频综合| 亚洲欧洲日产国产| 大片免费播放器 马上看| 国产亚洲av高清不卡| 夜夜骑夜夜射夜夜干| 香蕉国产在线看| 久久性视频一级片| 七月丁香在线播放| 免费观看性生交大片5| 国产精品99久久99久久久不卡 | 亚洲一区二区三区欧美精品| 亚洲欧美日韩另类电影网站| 日韩一区二区三区影片| 曰老女人黄片| 欧美乱码精品一区二区三区| 777久久人妻少妇嫩草av网站| 极品少妇高潮喷水抽搐| 久久久欧美国产精品| 精品福利永久在线观看| 亚洲国产av影院在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 日本猛色少妇xxxxx猛交久久| 大片免费播放器 马上看| 韩国av在线不卡| 欧美97在线视频| kizo精华| 免费女性裸体啪啪无遮挡网站| 亚洲精品自拍成人| 成人黄色视频免费在线看| 亚洲国产欧美一区二区综合| 日韩大码丰满熟妇| 亚洲免费av在线视频| 成人影院久久| 97人妻天天添夜夜摸| 国产午夜精品一二区理论片| 国产精品国产三级专区第一集| 日本av免费视频播放| 人人澡人人妻人| 国产 一区精品| 国产精品二区激情视频| 欧美日本中文国产一区发布| av.在线天堂| 国产精品久久久久久人妻精品电影 | 日韩视频在线欧美| 成人亚洲精品一区在线观看| 亚洲美女黄色视频免费看| 亚洲欧洲日产国产| 无限看片的www在线观看| 女人高潮潮喷娇喘18禁视频| 欧美激情极品国产一区二区三区| 国产精品无大码| 久久热在线av| 国产精品免费视频内射| 国产精品久久久av美女十八| 99精国产麻豆久久婷婷| 国产精品成人在线| 精品一区在线观看国产| 毛片一级片免费看久久久久| 国产精品二区激情视频| 一边亲一边摸免费视频| 日韩 欧美 亚洲 中文字幕| 男的添女的下面高潮视频| 久久久久人妻精品一区果冻| 另类亚洲欧美激情| 一级毛片 在线播放| 亚洲欧美激情在线| 晚上一个人看的免费电影| 精品亚洲成a人片在线观看| 久久国产精品男人的天堂亚洲| 日韩,欧美,国产一区二区三区| 亚洲欧美一区二区三区黑人| 日韩一卡2卡3卡4卡2021年| 少妇的丰满在线观看| 老司机亚洲免费影院| 精品国产国语对白av| 性色av一级| 国产精品蜜桃在线观看| 国产精品久久久人人做人人爽| 亚洲欧美精品自产自拍| 天天躁夜夜躁狠狠久久av| 男人爽女人下面视频在线观看| 精品国产国语对白av| 天堂8中文在线网| 中文精品一卡2卡3卡4更新| 丰满乱子伦码专区| 啦啦啦在线免费观看视频4| 成人毛片60女人毛片免费| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久视频综合| 青春草亚洲视频在线观看| 水蜜桃什么品种好| 国产免费又黄又爽又色| 成人亚洲欧美一区二区av| 中国三级夫妇交换| 久久久久精品性色| 人妻 亚洲 视频| 美女主播在线视频| 亚洲国产欧美一区二区综合| 一边亲一边摸免费视频| 丝袜脚勾引网站| 国产黄色视频一区二区在线观看| 欧美在线黄色| 久久99一区二区三区| 综合色丁香网| 男女床上黄色一级片免费看| 激情五月婷婷亚洲| 自线自在国产av| 国产一区二区激情短视频 | 在线 av 中文字幕| 欧美人与善性xxx| 亚洲精品国产一区二区精华液| 韩国av在线不卡| 中文字幕另类日韩欧美亚洲嫩草| 啦啦啦在线免费观看视频4| 国产精品久久久av美女十八| 天天添夜夜摸| 精品少妇内射三级| 国产日韩欧美在线精品| 欧美xxⅹ黑人| 色视频在线一区二区三区| 考比视频在线观看| 久久这里只有精品19| 国产片特级美女逼逼视频| 免费观看av网站的网址| 国产成人av激情在线播放| 国产精品99久久99久久久不卡 | 日韩不卡一区二区三区视频在线| 老汉色∧v一级毛片| 精品福利永久在线观看| 一边摸一边做爽爽视频免费| 国产免费现黄频在线看| av国产久精品久网站免费入址| 两个人免费观看高清视频| 一区二区三区精品91| 久久人人爽人人片av| 成年美女黄网站色视频大全免费| 日本爱情动作片www.在线观看| 亚洲精品一区蜜桃| 这个男人来自地球电影免费观看 | 国产av一区二区精品久久| 夫妻午夜视频| 97在线人人人人妻| 国产国语露脸激情在线看| 成年av动漫网址| 国产黄色免费在线视频| 中文字幕精品免费在线观看视频| 叶爱在线成人免费视频播放| 国产99久久九九免费精品| 一区二区日韩欧美中文字幕| 一级毛片电影观看| 精品人妻在线不人妻| 各种免费的搞黄视频| 在线观看一区二区三区激情| 在线观看免费午夜福利视频| 秋霞在线观看毛片| 香蕉国产在线看| 久久久久国产精品人妻一区二区| 永久免费av网站大全| 9热在线视频观看99| 午夜福利免费观看在线| 精品午夜福利在线看| 国产精品久久久久久精品古装| 这个男人来自地球电影免费观看 | 高清视频免费观看一区二区| 亚洲欧洲精品一区二区精品久久久 | av线在线观看网站| 街头女战士在线观看网站| 热99国产精品久久久久久7| 欧美激情 高清一区二区三区| 搡老乐熟女国产| 天天躁狠狠躁夜夜躁狠狠躁| 免费在线观看黄色视频的| 免费黄网站久久成人精品| 十八禁人妻一区二区| 老司机在亚洲福利影院| 1024视频免费在线观看| av不卡在线播放| www.av在线官网国产| 日本欧美视频一区| 久久久久久久久久久免费av| 9色porny在线观看| 午夜免费观看性视频| 国产麻豆69| 建设人人有责人人尽责人人享有的| 永久免费av网站大全| 亚洲国产最新在线播放| 久热这里只有精品99| 91aial.com中文字幕在线观看| 亚洲 欧美一区二区三区| 三上悠亚av全集在线观看| 国产高清不卡午夜福利| 大码成人一级视频| 一二三四在线观看免费中文在| 久久久精品免费免费高清| 十八禁人妻一区二区| 国产一区二区 视频在线| 高清在线视频一区二区三区| 国产免费福利视频在线观看| 日本猛色少妇xxxxx猛交久久| 老司机靠b影院| 免费观看av网站的网址| 性少妇av在线| 大片免费播放器 马上看| 日韩制服丝袜自拍偷拍| 久久久久久久久久久免费av| 国产精品成人在线| 王馨瑶露胸无遮挡在线观看| 女性生殖器流出的白浆| 国产99久久九九免费精品| 免费在线观看完整版高清| 国产激情久久老熟女| 国产精品麻豆人妻色哟哟久久| 久久久久精品久久久久真实原创| 婷婷色av中文字幕| 亚洲av国产av综合av卡| 一边摸一边抽搐一进一出视频| 男女之事视频高清在线观看 | 美女主播在线视频| 韩国高清视频一区二区三区| 国产精品国产三级专区第一集| 最近2019中文字幕mv第一页| 人成视频在线观看免费观看| 最近2019中文字幕mv第一页| 人成视频在线观看免费观看| 少妇人妻精品综合一区二区| bbb黄色大片| 日韩视频在线欧美| 观看美女的网站| 99国产综合亚洲精品| 日韩 亚洲 欧美在线| 欧美人与性动交α欧美精品济南到| 国产亚洲精品第一综合不卡| 国产亚洲最大av| 国产欧美亚洲国产| 老司机影院成人| 18在线观看网站| 国产欧美日韩一区二区三区在线| 爱豆传媒免费全集在线观看| 午夜福利,免费看| 99九九在线精品视频| 久久久久久久久久久久大奶| 欧美成人午夜精品| 久久99精品国语久久久| 妹子高潮喷水视频| 日本色播在线视频| 亚洲熟女毛片儿| 亚洲人成电影观看| 建设人人有责人人尽责人人享有的| 亚洲av欧美aⅴ国产| 国产精品嫩草影院av在线观看| 成年美女黄网站色视频大全免费| 亚洲人成电影观看| 国产乱来视频区| 国产黄频视频在线观看| 一边摸一边做爽爽视频免费| 十八禁人妻一区二区| 韩国高清视频一区二区三区| 日韩大码丰满熟妇| 国产乱来视频区| 一区二区三区精品91| 亚洲精品在线美女| 如日韩欧美国产精品一区二区三区| 国产黄色视频一区二区在线观看| 美女大奶头黄色视频| 丝袜脚勾引网站| 久久久久久久久久久久大奶| 老司机亚洲免费影院| 五月开心婷婷网| 卡戴珊不雅视频在线播放| 久久久国产精品麻豆| 男女高潮啪啪啪动态图| 欧美精品高潮呻吟av久久| 热99久久久久精品小说推荐| 爱豆传媒免费全集在线观看| 国产男女内射视频| 久久人人爽人人片av| 只有这里有精品99| www日本在线高清视频| 国产欧美亚洲国产| 亚洲国产av影院在线观看| 男人爽女人下面视频在线观看| 久久久国产精品麻豆| 久久热在线av| 国产一卡二卡三卡精品 | 久久久亚洲精品成人影院| 日韩欧美精品免费久久| 日韩一区二区视频免费看| av在线观看视频网站免费| 99久久综合免费| 久久毛片免费看一区二区三区| 少妇被粗大猛烈的视频| www日本在线高清视频| 欧美人与善性xxx| 国产成人91sexporn| 久久99热这里只频精品6学生| 免费日韩欧美在线观看| 亚洲,欧美精品.| 大码成人一级视频| 蜜桃国产av成人99| 男女之事视频高清在线观看 | 日本爱情动作片www.在线观看| 久久久久精品性色| 精品酒店卫生间| 黑人猛操日本美女一级片| 999精品在线视频| 亚洲一码二码三码区别大吗| av在线播放精品| 国产av一区二区精品久久| av片东京热男人的天堂| 免费看av在线观看网站| 交换朋友夫妻互换小说| 久久99热这里只频精品6学生| 欧美97在线视频| 中文精品一卡2卡3卡4更新| 国产又爽黄色视频| 亚洲成国产人片在线观看| 日韩电影二区| 一级毛片 在线播放| 亚洲国产欧美日韩在线播放| 久久国产精品大桥未久av| 嫩草影院入口| 亚洲人成网站在线观看播放| 免费不卡黄色视频| 亚洲欧美一区二区三区国产| 女性生殖器流出的白浆| 午夜91福利影院| 亚洲精品美女久久av网站| av在线播放精品| 黄片小视频在线播放| 中文字幕色久视频| 在线观看人妻少妇| 桃花免费在线播放| 亚洲图色成人| 黄片无遮挡物在线观看| 嫩草影视91久久| 婷婷色综合大香蕉| 精品少妇一区二区三区视频日本电影 | 老司机影院成人| 亚洲欧美精品自产自拍| 最近2019中文字幕mv第一页| 99国产综合亚洲精品| 丁香六月欧美| 国产熟女欧美一区二区| 精品少妇久久久久久888优播| 欧美老熟妇乱子伦牲交| 日本av手机在线免费观看| 亚洲精华国产精华液的使用体验| 日韩中文字幕视频在线看片| 亚洲少妇的诱惑av| 国产欧美日韩综合在线一区二区| 一边摸一边做爽爽视频免费|