基于非负矩阵的缺失多视觉聚类研究文献综述

多视觉聚类作为机器学习领域的研究热点，旨在利用多源信息之间的互补性和一致性来提高聚类性能。

然而，在实际应用中，由于数据采集、传输和存储等环节的问题，多视觉数据往往存在缺失现象，这给多视觉聚类的有效性带来了极大的挑战。

非负矩阵分解作为一种强大的数据降维和特征提取方法，能够有效地处理缺失数据，并挖掘数据背后的潜在结构。

因此，将非负矩阵分解与多视觉聚类相结合，为解决缺失多视觉聚类问题提供了一种promising的解决方案。

本文综述了基于非负矩阵的缺失多视觉聚类研究进展，首先介绍了多视觉聚类和非负矩阵分解的基本概念，然后重点阐述了缺失多视觉聚类的主要研究方法，并对现有方法进行了分类和比较。

最后，总结了该领域面临的挑战和未来发展趋势。

关键词：多视觉聚类；缺失数据；非负矩阵分解；特征提取；数据降维

在机器学习和数据挖掘领域，聚类分析是一种重要且应用广泛的无监督学习方法，旨在将数据样本划分为不同的组别或簇，使得同一簇内的样本具有较高的相似度，而不同簇之间的样本差异较大。

近年来，随着多源数据获取技术的快速发展，多视觉聚类应运而生，其核心思想是综合利用来自多个来源或视角的数据信息来提升聚类性能。

相较于单视角聚类，多视觉聚类能够更全面、更准确地刻画数据的本质特征，并在图像分类[16]、不平衡数据分类[17]、协同过滤推荐[18]等领域展现出巨大的应用潜力。