• 学习PLSA：之所以要看这个方面的内容是因为PLSA和NMF在中程度上是等价的，已有人证明PLSA和以KL散度为测度的NMF的 结果一致。为了弄明白PLSA，研究了一下EM算法。其中，对我帮助最大的李航老师写的《统计机器学习》中的介绍和博文http://blog.tomtung.com/2011/10/em-algorithm/上的内容。

• 谱聚类的相似度矩阵的融合：12-CVPR-Affinity aggregation for spectral clustering

     文中提出谱聚类是一种依赖于相似度矩阵的聚类算法。借鉴当前比较热门的multi-viewclustering和multi-view kernel learning，本文提出对给定的很多的相似度矩阵融合一下，以期望能得到最好的聚类效果。这篇文章的思想比较简单，就是对很多的相似度矩阵加权。但是不同于以往加权的文章，文中通过最优化谱聚类的目标函数得到最优的权重，这点很值得借鉴。

​

• ​概率谱聚类：NIPS2005_A Probabilistic Approach for Optimizing Spectral Clustering

    虽然这篇文章是谱聚类中很老的一篇文章了，但是，很惭愧的现在才看到。通过与PLSA的接触，现在对概率的知识不再抵触。之前接触到的谱聚类都是通过求解特征向量获得解。其实本身这种方式是最适用于二分类的，然后将其扩展到多分类上要用k-means等方法再进行一次聚类。本文中直接对多分类的情况求解，在计算两个簇的cut时如下式所示，考虑相应的点属于该簇的概率，然后以最大化相应的目标函数得到最终结果。这种方法得到的结果是局部的最优解。

   文中用实验证明这种方法相比于求特征向量来说更加的稳定。求特征向量时涉及到求几个的问题，实验证明前 K 个不一定就是最好的，而本方法就没有这种问题。并且，本方法的运行效果要比之前的好很多。