[发明专利]一种基于多视角对称非负矩阵分解的跨模态信息检索方法

权利要求书

1.一种基于多视角对称非负矩阵分解的跨模态信息检索方法，其特征在于：具体过程包括以下步骤：

步骤一：提出多视角非负矩阵分解模型，假设各视角间存在一致的聚类模式，给定多视角数据矩阵X⁽¹⁾∈R^f×n，X⁽²⁾∈R^p×n，利用对称非负矩阵分解方法分别分解矩阵X⁽¹⁾、X⁽²⁾，得到的聚类解都趋于一致的聚类模式；由此产生多视角非负矩阵分解的目标函数O_bj；

步骤二：求解多视角对称非负矩阵分解模型，采用迭代更新方法对步骤一产生的目标函数进行求解，得到各视角共享的一致的低维子空间表示H^*的更新规则；

步骤三：基于多视角对称非负矩阵分解的跨模态检索方法，具体是对步骤二计算出的H^*进行分析计算，所述H^*反映了多个视角数据潜在的一致结构模式，通过H^*获得新文本或图像在子空间中的表示，在变换后的子空间中进行跨模态检索。

2.根据权利要求1所述的一种基于多视角对称非负矩阵分解的跨模态信息检索方法，其特征在于：步骤一中所述得到Multi-view SNMF目标函数定义的具体过程为：

S1.给定数据矩阵SNMF首先构建n×n的样本相似矩阵相似性采用高斯核函数来刻画：

其中：矩阵为m×n的具体模态，n为实例数，m为特征数，σ_i为第i个实例与其第7个邻居之间的欧式距离，σ_j为第j个实例与其第7个邻居之间的欧式距离，x_i为第i个实例，x_j为第j个实例，E_ij为第i个实例与第j个实例之间的相似性，通过公式(1)可获得任意两个节点之间的相似性值；

S2.当遇到数据量大的时候，无法通过S1获得任意两个节点之间的距离，采用：

其中：N_(i)＝{j:X_j是X_i的q近邻，j≠i}，表示距离实例i的最近的q个邻居；N_(j)＝{i:X_i是X_j的q近邻，j≠i}，表示距离实例j最近的q邻居，q为近邻数，为重新计算而获取的两个实例i，j之间的相似性；

S3.在获得后，对其标准化，得到：

其中：1≤i≤n为节点i的强度，1≤j≤n为节点j的强度；为矩阵中第i行第l列个元素；为矩阵中第j行第l列个元素；

S4.在获得相似矩阵A后，由SNMF目标函数

可得出分解后的聚类指示矩阵然后对其执行简单的Kmeans聚类以获得每个实例的类别；

其中：H^T为矩阵H的转置，||·||_F为矩阵的Frobenius范式；

S5.利用各视角具有一致的聚类模式的假设，给定多视角数据矩阵X⁽¹⁾∈R^f×n，X⁽²⁾∈R^p×n，第i个视角的相似矩阵用A⁽ⁱ⁾∈R^n×n表示；根据S4 Multi-view SNMF的目标函数可定义为：

其中：为辅助矩阵，n为实例数，f、p为特征数，H^*代表各视角一致的聚类模式，H⁽ⁱ⁾为第i个视角的聚类指示矩阵，n_v为视角的个数，λ⁽ⁱ⁾为第i个视角的权重参数,H_l,1⁽ⁱ⁾为矩阵H⁽ⁱ⁾的第l行第1列相应的元素，H_l,2⁽ⁱ⁾为第l行第2列相应的元素，H_l,k⁽ⁱ⁾为第l行第k列相应的元素；

S6.为最小化等式(5)，采用迭代更新方法，求解得到H⁽ⁱ⁾与H^*的更新规则如下：

因各视角的数据矩阵在分解过程中是独立的，因此在等式(6)中用H代替H⁽ⁱ⁾，其中Q^T是相应视角辅助矩阵的转置，H_i,k代表获得的聚类指示矩阵H的第ik个元素。