第49卷第6期2023年6月ComputerEngineering计算机工程基于超图正则化非负张量链分解的聚类分析戴浩磊，黄永慧，周郭许（广东工业大学自动化学院，广州510006）摘要：非负张量链分解作为一种重要的张量分解模型，可保留数据内部结构信息，广泛应用于高维数据的特征提取和表示。从流形学习角度出发，高维数据信息通常潜在于低维空间的非线性流形结构中，然而现有图学习理论只能建模对象间的成对关系，很难准确刻画具有复杂流形结构的高维数据的相似关系。引入超图学习，提出一种超图正则化非负张量链(HGNTT)分解方法，在高维数据中提取低维表示的同时通过构建超图描述样本数据间的高阶关系，从而保留非线性流形结构，同时采用乘法更新方法对HGNTT模型进行优化求解并证明其收敛性。在ORL和Faces95这两个公开数据集上的聚类实验结果表明，相比于NMF、GNMF等方法，HGNTT方法的聚类准确率和归一化互信息分别提升了1.2%~7.6%和0.2%~3.0%，验证了HGNTT方法的有效性。关键词：非负张量链分解；特征提取；超图学习；乘法更新方法；聚类分析开放科学（资源服务）标志码（OSID）：中文引用格式：戴浩磊，黄永慧，周郭许.基于超图正则化非负张量链分解的聚类分析［J］.计算机工程，2023，49（6）：81-89.英文引用格式：DAIHL，HUANGYH，ZHOUGX.Clusteringanalysisbasedonhyper-graphregularizednon-negativetensortraindecomposition［J］.ComputerEngineering，2023，49（6）：81-89.ClusteringAnalysisBasedonHyper-graphRegularizedNon-NegativeTensorTrainDecompositionDAIHaolei，HUANGYonghui，ZHOUGuoxu（SchoolofAutomation，GuangdongUniversityofTechnology，Guangzhou510006，China）【Abstract】Non-negativeTensorTrain（NTT）decomposition，asanimportanttensordecompositionmodel，canpreservetheinternalstructureinformationofdataandiswidelyusedinfeatureextractionandrepresentationtasksofhigh-dimensionaldata.Fromtheperspectiveofmanifoldlearning，high-dimensionaldatainformationisusuallylatentinthenonlinearmanifoldstructureinlow-dimensionalspace.However，existinggraphlearningtheoriescanonlymodelpairwiserelationshipsbetweenobjects，andaccuratelyportrayingthesimilarrelationshipsofhigh-dimensionaldatawithacomplexmanifoldstructureisdifficult.Byintroducinghyper-graphlearning，thisstudyproposesaHyper-Graphr...
