·1118- 智能系统学报 第15卷 成模块的目的，通过L的定义可知，如果y的值过 表2不同算法的ARI比较 小，会使聚类损失对低维嵌人学习过程影响过大 Table 2 Comparison of different algorithms with respect to ARI 从而导致空间扭曲；而当y取值过大时，会影响低 维嵌入空间对聚类损失的优化，从而导致聚类集 数据集本文算法HGPA CSPA MCLA Voting Spectral 成结果变差。分别使用本文算法与5种对比算法 Wine 0.684 0.3010.3690.370 0.3700.422 在5个数据集上进行聚类划分，各方法聚类集成 Glass 0.461 0.1030.1300.171 0.1100.184 结果的ARL、NM和ACC值如表2~4所示。 Wdbc 0.687 0.000 0.1350.4900.491 0.501 0.9 Yeast 0.587 0.1320.2100.3620.2100.380 0.8 0.7 Segment 0.689 0.3510.3530.3900.3630.510 ◆ARI 0.5 一NMI 0.4 ACC 表3不同算法的NMⅡ比较 0.3 8 10 Table 3 Comparison of different algorithms with respect to NMI (a)超参数y的取值对数据集Wine的影响 0.7r 数据集本文算法HGPA CSPA MCLA Voting Spectral 0.6 Wine 0.785 0.3810.3940.426 0.426 0.564 0.5 Glass 0.495 0.2190.2410.3210.2400.256 ◆—ARI 0.3 -NMI Wdbc 0.842 0.0010.0930.4650.465 0.650 -ACC 02 6 8 10 Yeast 0.542 0.1220.1950.2910.1960.352 (b)超参数y的取值对数据集Glass的影响 Segment 0.852 0.4710.4830.5580.4920.658 0.9 0.8 0.7 表4不同算法的ACC比较 号0.6 Table 4 Comparison of different algorithms with respect 0.5 I一NMI to ACC 0.4 ★ACC 0.3 0 10 数据集本文算法HGPA CSPA MCLA Voting Spectral (c)超参数y的取值对数据集Wdbc的影响 Wine 0.874 0.4670.4850.587 0.549 0.682 0.7r Glass 0.612 0.3140.3420.401 0.365 0.385 0.6 Wdbc 0.820 0.010 0.157 0.694 0.658 0.741 ◆一ARI 0.4 ■一NMI ACC Yeast 0.621 0.2560.3510.4150.3540.582 0.3 8 10 Segment 0.834 0.6200.6890.7540.7100.852 (d)超参数y的取值对数据集Yeast的影响 0.9 表2~4中加粗的数字分别表示不同算法在每 0.8 个数据集上取得的最优值。由这些实验结果可以 看出，本文算法在各数据集上获得的ARI、NMI 0.6 ARI 和ACC值整体优于其他5种算法。其中，本文算 一NMI 0.4 —ACC 法在5个数据集上的ARI和NMI取值相较于其 0.3 他算法均有明显提升，仅在Segment数据集的 10 ACC取值稍逊于Spectral算法。这是由于本文算 (e)超参数y的取值对数据集Segment的影响 法生成的基聚类的图数据表示完整反映了样本的 图7超参数？的取值对数据集聚类的影响 全局相似关系，使用了处理属性缺失的图数据更 Fig.7 Effect of parameter y on data sets 具有优势的图神经网络，并且自监督模型使图自成模块的目的，通过 L 的定义可知，如果 γ 的值过 小，会使聚类损失对低维嵌入学习过程影响过大 从而导致空间扭曲；而当 γ 取值过大时，会影响低 维嵌入空间对聚类损失的优化，从而导致聚类集 成结果变差。分别使用本文算法与 5 种对比算法 在 5 个数据集上进行聚类划分，各方法聚类集成 结果的 ARI、NMI 和 ACC 值如表 2~4所示。 0.3 0.4 0.5 0.6 0.7 0.8 0.9 2 4 6 8 10 ARI NMI ACC ARI NMI ACC ARI NMI ACC ARI NMI ACC ARI NMI ACC γ γ γ Wine 2 4 6 8 10 2 4 6 8 10 2 4 6 8 10 γ γ 2 4 6 8 10 (a) 超参数 γ 的取值对数据集 Wine 的影响 0.2 0.3 0.4 0.5 0.6 0.7 (b) 超参数 γ 的取值对数据集 Glass 的影响 0.3 0.4 0.5 0.6 0.7 0.8 0.9 (c) 超参数 γ 的取值对数据集 Wdbc 的影响 0.3 0.4 0.5 0.6 0.7 (d) 超参数 γ 的取值对数据集 Yeast 的影响 0.3 0.4 0.5 0.6 0.7 0.8 0.9 (e) 超参数 γ 的取值对数据集 Segment 的影响 Glass Wdbc Yeast Segment 图 7 超参数 γ 的取值对数据集聚类的影响 Fig. 7 Effect of parameter γ on data sets 表 2 不同算法的 ARI 比较 Table 2 Comparison of different algorithms with respect to ARI 数据集 本文算法 HGPA CSPA MCLA Voting Spectral Wine 0.684 0.301 0.369 0.370 0.370 0.422 Glass 0.461 0.103 0.130 0.171 0.110 0.184 Wdbc 0.687 0.000 0.135 0.490 0.491 0.501 Yeast 0.587 0.132 0.210 0.362 0.210 0.380 Segment 0.689 0.351 0.353 0.390 0.363 0.510 表 3 不同算法的 NMI 比较 Table 3 Comparison of different algorithms with respect to NMI 数据集 本文算法 HGPA CSPA MCLA Voting Spectral Wine 0.785 0.381 0.394 0.426 0.426 0.564 Glass 0.495 0.219 0.241 0.321 0.240 0.256 Wdbc 0.842 0.001 0.093 0.465 0.465 0.650 Yeast 0.542 0.122 0.195 0.291 0.196 0.352 Segment 0.852 0.471 0.483 0.558 0.492 0.658 表 4 不同算法的 ACC 比较 Table 4 Comparison of different algorithms with respect to ACC 数据集 本文算法 HGPA CSPA MCLA Voting Spectral Wine 0.874 0.467 0.485 0.587 0.549 0.682 Glass 0.612 0.314 0.342 0.401 0.365 0.385 Wdbc 0.820 0.010 0.157 0.694 0.658 0.741 Yeast 0.621 0.256 0.351 0.415 0.354 0.582 Segment 0.834 0.620 0.689 0.754 0.710 0.852 表 2~4 中加粗的数字分别表示不同算法在每 个数据集上取得的最优值。由这些实验结果可以 看出，本文算法在各数据集上获得的 ARI、NMI 和 ACC 值整体优于其他 5 种算法。其中，本文算 法在 5 个数据集上的 ARI 和 NMI 取值相较于其 他算法均有明显提升，仅在 Segment 数据集的 ACC 取值稍逊于 Spectral 算法。这是由于本文算 法生成的基聚类的图数据表示完整反映了样本的 全局相似关系，使用了处理属性缺失的图数据更 具有优势的图神经网络，并且自监督模型使图自 ·1118· 智 能 系 统 学 报 第 15 卷