信息技術的發(fā)展,使得互聯(lián)網(wǎng)上的數(shù)據(jù)呈現(xiàn)出大數(shù)據(jù)特性,主要表現(xiàn)為體量大和多源異構,這些問題對科學管理和計算方法提出了嚴峻的挑戰(zhàn),迫切需要我們整合多個來源的數(shù)據(jù)表示形式以獲得比任何單個來源的信息都要準確、可靠的知識。鑒于此,針對現(xiàn)有信息融合方法中的不足,本文分別研究了基于對稱非負矩陣分解的信息融合模型、考慮圖正則化的對稱非負矩陣分解融合模型和基于對稱非負矩陣分解的預測模型,并將其首次應用到跨模態(tài)信息檢索任務中。具體工作如下:1.針對多個視角間可能存在一個“一致”聚類模式的假設,建立了一種基于對稱非負矩陣分解的信息融合模型（Multi-view SNMF）。通過對不同視角獲得的聚類指示矩陣進行標準化,將其與“一致”聚類模式的距離作為約束項引入到對稱非負矩陣分解目標函數(shù)中并進行優(yōu)化求解,解決了固定同一個聚類模式帶來的多個視角間的數(shù)據(jù)不一致問題;而現(xiàn)有文獻中并沒有考慮將對稱非負矩陣分解與該“一致性”假設結合起來進行建模的做法。實驗結果表明:Multi-view SNMF模型在精度和標準互信息兩個指標上有更好的表現(xiàn)。2.針對信息融合中聚類準確度不高、穩(wěn)定性不強等問題,提出了一種考慮圖正則化的對稱非... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：129 頁

【學位級別】：博士

【部分圖文】：

圖３．２?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”數(shù)據(jù)集上ＡＣ隨參數(shù)兒的變化趨勢??

＊？??圖３．３?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”數(shù)據(jù)集上ＮＭＩ隨參數(shù)丄的變化趨勢??如圖３．２，３．３所示：當兒值在給定的區(qū)間內變化時，相比于Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ算法，Ｍｕｌｔｉ－ｖｉｅｗ??ＳＮＭＦ在兩個指標上都獲得了更好的性能。對于Ｔｈｒｅｅ－ｓｏｕｒｃｅ數(shù)據(jù)集，Ｍｕｌｔｉ－ｖｉｅｗ?ＳＮＭＦ在??ｌｅｆＯ．Ｏｌ，?０．１］時有最好的性能表現(xiàn)，而Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ在兒＝０．００１達到最高的精度值，互信息??變化情況與此類似。當１＞〇．１時，兩種算法的性能均出現(xiàn)逐漸衰減的趨勢，一個可能的原因是：??隨著；Ｌ的增加，目標函數(shù)中對“一致約束項”的懲罰相應增大，使得從不同視角獲得的聚類模??式與“一致性”矩陣之間的“距離”保持的更近，也即是說，各視角之間、各視角與“一致性”??矩陣之間的差異更小，在極端情況下，當兒４〇〇時，／／Ｍｇ（ｖ）對不同視角共享相同的值，但即使??在這種情況下獲得一致矩陣／Ｔ也不同于ＪＮＭＦ模型中直接固定一個各視角共享的聚類模式的??做法。另一方面，當兒取較小值時，目標函數(shù)中可能會出現(xiàn)較大的矩陣重構誤差，因此聚類性??能也不理想

圖３．５?ＨＭＰ數(shù)據(jù)集上ＮＭＩ隨參數(shù)兒的變化趨勢??４，?３．５中可以看出：兩種算法均在人＝１時獲得最好的表現(xiàn)，相較于ＭｕｌＳＮＭＦ在大多數(shù)情況下具有更好的性能（精度）；對于標準互信息而的不同變化區(qū)間均具有更加穩(wěn)定和良好的表現(xiàn)。宄其原因主要在用圖（網(wǎng)絡）表示原始數(shù)據(jù)的空間結構，并封裝實例之間的關系，這象之間非線性、復雜的結構關系時往往具有意想不到的效果。如３．１

【參考文獻】：
期刊論文
[1]“數(shù)據(jù)—信息—知識”整體視角下的知識融合初探——數(shù)據(jù)融合、信息融合、知識融合的關聯(lián)與比較[J]. 祝振媛,李廣建.  情報理論與實踐. 2017(02)
[2]幾何結構保持非負矩陣分解的數(shù)據(jù)表達方法[J]. 李冰鋒,唐延東,韓志.  信息與控制. 2017(01)
[3]基于決策分析的社交網(wǎng)絡鏈路預測方法[J]. 李永立,羅鵬,張書瑞.  管理科學學報. 2017(01)
[4]基于相關性的跨模態(tài)信息檢索研究[J]. 丁恒,陸偉.  現(xiàn)代圖書情報技術. 2016(01)
[5]基于信息融合的數(shù)據(jù)挖掘方法在公司財務預警中的應用[J]. 張亮,張玲玲,陳懿冰,騰偉麗.  中國管理科學. 2015(10)
[6]大數(shù)據(jù)中的管理問題:基于大數(shù)據(jù)的資源觀[J]. 楊善林,周開樂.  管理科學學報. 2015(05)
[7]用戶行為驅動的在線社交網(wǎng)絡建模[J]. 李倩倩,顧基發(fā).  系統(tǒng)工程學報. 2015(01)
[8]基于距離熵的應急決策層信息融合方法[J]. 管清云,陳雪龍,王延章.  系統(tǒng)工程理論與實踐. 2015(01)
[9]Link prediction in social networks: the state-of-the-art[J]. WANG Peng,XU BaoWen,WU YuRong,ZHOU XiaoYu.  Science China（Information Sciences）. 2015(01)
[10]大數(shù)據(jù)驅動的管理與決策前沿課題[J]. 徐宗本,馮芷艷,郭迅華,曾大軍,陳國青.  管理世界. 2014(11)

博士論文
[1]基于維數(shù)約簡的無監(jiān)督聚類算法研究[D]. 杜世強.蘭州大學 2017
[2]基于半監(jiān)督學習的木材識別研究[D]. 盧紀麗.山東大學 2015
[3]基于深度學習的跨模態(tài)檢索研究[D]. 馮方向.北京郵電大學 2015
[4]異構信息網(wǎng)絡檢索技術研究[D]. 劉鈺峰.湖南大學 2014
[5]基于數(shù)據(jù)挖掘與信息融合的瓦斯災害預測方法研究[D]. 彭泓.中國礦業(yè)大學（北京） 2013
[6]基于圖的半監(jiān)督學習及其應用研究[D]. 潘俊.浙江大學 2011
[7]基于數(shù)據(jù)挖掘與信息融合的故障診斷方法研究[D]. 孫衛(wèi)祥.上海交通大學 2006



本文編號：3461764