结合深度学习和张量分解的多源异构数据分析方法.pdfVIP

JournalofComputerApplicationsISSN1001‐90812025‐09‐10

计算机应用,2025,45(9):2838-2847CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）09-2838-10DOI:10.11772/j.issn.1001-9081.2024081178

结合深度学习和张量分解的多源异构数据分析方法

1，23*4，556

张宏俊，潘高军，叶昊，陆玉彬，缪宜恒

（1.中国通信服务股份有限公司，北京100073；2.南京邮电大学高性能计算与大数据处理研究所，南京210003；

3.浙江省通信产业服务有限公司，杭州310052；4.中博信息技术研究院有限公司，南京210006；

5.南京邮电大学国家邮政局邮政行业技术研发中心（物联网技术），南京210003；6.南京邮电大学通信与信息工程学院，南京210003）

（∗通信作者电子邮163.com）

摘要：在消费电子的动态领域，了解用户行为对于产品创新和提高用户满意度至关重要。因此，提出一种突破

性的多聚类方法以结合深度学习与张量分解，从而应对数据分析和挖掘的挑战。首先，从复杂的异构数据集中提取

高级特征，例如对现代设备的各种传感器和用户交互的数据集，采用深度神经网络封装数据源的各种特征；其次，把

张量分解技术应用于特征提取和聚类分析，以将每个数据源视为数据张量中的不同模态，从而揭示它们潜在的结构

和模式；最后，采用与某电商平台合作得到的涵盖数万消费者的多模态购物数据的数据集进行实验。实验结果表明，

所提结合卷积神经网络（CNN）的张量分解算法在消费电子相关数据集上表现出色，准确率均超过0.7，同时在纯度、

调整兰德指数（ARI）和归一化互信息（NMI）等关键指标上也表现突出，验证了所提方法在捕捉数据内在结构和相似

性方面的有效性；与动态的多聚类（DMCR）方法、深度多模态聚类（DMMC）方法以及FAST-CNN等现有方法相比，所

提方法在多个评价指标上均显示出显著优势，不仅验证了它在准确性和稳定性方面优于对比方法，而且展现了它在

揭示数据底层原理和异构数据之间相互关系方面的优势。

关键词：卷积神经网络；张量分解；多聚类；深度学习；消费电子产品

中图分类号：TP311.13文献标志码：A

Multi-sourceheterogeneousdataanalysismethodcombiningdeeplearningand

tensordecomposition

1，23*4，556

ZHANGHongjun，PANGaojun，YEHao，LUYubin，MIAOY