تجزیه ماتریس نامنفی، به عنوان یک مدل یادگیری بازنمایی گروهی، بازنمایی مبتنی بر جزء را با ویژگی های قابل تفسیر تولید می کند و می تواند برای مسائل مختلف مانند خوشه بندی داده ها به کار گرفته شود. یافته ها نشان می دهد که مدل تجزیه ماتریس نامنفی با واگرایی کولبک-لیبلر و واگرایی β عملکرد امیدوارکننده ای را در کار خوشه بندی متن و انواع داده های مختلف نشان می دهند. با این حال، روش های خوشه بندی متن مبتنی بر تجزیه ماتریس موجود در یک مدل رمزگشا، فاقد چارچوب تأیید تعریف شده اند. اخیرا،ً روش های خود بازنمایی برای طیف گسترده ای از وظایف به کار گرفته شده اند، و مدل ها را برای یادگیری مستقل و تأیید بازنمایی هایی که به طور کامل پیچیدگی ها و تفاوت های ذاتی در داده های ورودی آن ها را منعکس می کنند، توانمند می سازد. در این پژوهش، ما دو روش تجزیه ماتریس خودبازنمایی را برای خوشه بندی داده ها پیشنهاد می کنیم که اطلاعات معنایی و منظم ساز گراف را به ترتیب در روش های پیشنهادی در فرآیند یادگیری آن مشارکت می دهد. مدل تجزیه ماتریس نامنفی رمزگذار-رمزگشای معنایی مبتنی بر واگرایی کولبک-لیبلر (SEDNMFk (و تجزیه ماتریس رمزگذار-رمزگشا مبتنی بر واگرایی β REDNMF-β ، تجزیه های رمزگذار و رمزگشا را در یک تابع هزینه یکپارچه ادغام می کنند که به طور متقابل یکدیگر را تأیید و اصلاح می کنند، و در نتیجه خوشه های متمایزتری تشکیل می شوند. ما الگوریتم های بهینه سازی کارآمد و مؤثر براساس قوانین به روزرسانی ضربی برای حل مدل یکپارچه روش های پیشنهادی ارائه می کنیم. نتایج تجربی روی ده مجموعه داده شناخته شده نشان می دهد که روش های پیشنهادی ما از سایر روش های خوشه بندی نوین عملکرد بهتری دارد.
