1.一种基于隐变量的多视图聚类方法，其特征在于，所述方法包括：获取多视图数据集对应的隐变量集合，根据所述隐变量集合得到各样本的隐表示；所述多视图数据集包括 N 个样本的 V 个视图数据；利用 V 个神经网络分别将 N 个样本的隐表示映射到对应视图数据的特征空间，得到多视图数据集中各视图数据的重构数据表示，根据各重构数据表示和对应视图数据间的距离构建重构损失；根据各样本的隐表示确定所述隐变量集合中各隐变量在对应样本上的隐变量取值，对各隐变量取值进行正交化并进行模值为1的约束得到隐变量独立性约束损失；对多视图数据集中各视图数据和对应重构数据表示的线性核矩阵进行核对齐，对各视图数据的核对齐结果的相反数进行加权融合得到自适应权重对齐约束损失；根据所述重构损失、所述隐变量独立性约束损失和所述自适应权重对齐约束损失得到全局损失函数；对所述全局损失函数进行优化，得到优化后的各样本的隐表示，根据优化后的各样本的隐表示进行多视图聚类。
2.根据权利要求1所述的方法，其特征在于，所述根据各重构数据表示和对应视图数据间的距离构建重构损失包括：对每个样本的各个视图数据的重构数据表示和视图数据间的距离进行加权平均得到重构损失。
3.根据权利要求2所述的方法，其特征在于，所述重构损失为：其中， 为重构损失， 为样本个数， 为视图数据个数， 为第 个视图数据的特征维度， 为第 个样本的第 个视图数据的重构数据表示， 为第 个样本的第 个视图数据， 为欧几里得距离。
4.根据权利要求1所述的方法，其特征在于，所述根据各样本的隐表示确定所述隐变量集合中各隐变量在对应样本上的隐变量取值包括：根据各样本的隐表示确定所述隐变量集合中各隐变量在对应样本上的隐变量取值为：其中， 为第 个隐变量在第 个样本上的隐变量取值， 为第 个样本的隐表示中的第 个元素， 为向量的索引操作。
5.根据权利要求1所述的方法，其特征在于，所述隐变量独立性约束损失为：其中， 为隐变量独立性约束损失， 为隐变量个数， 为第 个隐变量在各个样本上取值组成的向量， 为第 个隐变量在各个样本上取值组成的向量， 为第 个隐变量在各个样本上取值组成的向量， 为指示变量， 为转置运算。
6.根据权利要求1所述的方法，其特征在于，所述自适应权重对齐约束损失为：其中， 为自适应权重对齐约束损失， 为第 个视图数据的权重， 为第 个视图数据的对齐损失。
7.根据权利要求1所述的方法，其特征在于，所述全局损失函数为：其中， 为全局损失函数， 为自适应权重对齐约束损失， 为隐变量独立性约束损失， 和 为损失超参数。
8.一种基于隐变量的多视图聚类装置，其特征在于，所述装置包括：隐表示确定模块，用于获取多视图数据集对应的隐变量集合，根据所述隐变量集合得到各样本的隐表示；所述多视图数据集包括 N 个样本的 V 个视图数据；重构损失构建模块，用于利用 V 个神经网络分别将 N 个样本的隐表示映射到对应视图数据的特征空间，得到多视图数据集中各视图数据的重构数据表示，根据各重构数据表示和对应视图数据间的距离构建重构损失；独立性约束损失构建模块，用于根据各样本的隐表示确定所述隐变量集合中各隐变量在对应样本上的隐变量取值，对各隐变量取值进行正交化并进行模值为1的约束得到隐变量独立性约束损失；对齐约束损失构建模块，用于对多视图数据集中各视图数据和对应重构数据表示的线性核矩阵进行核对齐，对各视图数据的核对齐结果的相反数进行加权融合得到自适应权重对齐约束损失；全局损失构建模块，用于根据所述重构损失、所述隐变量独立性约束损失和所述自适应权重对齐约束损失得到全局损失函数；多视图聚类模块，用于对所述全局损失函数进行优化，得到优化后的各样本的隐表示，根据优化后的各样本的隐表示进行多视图聚类。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
