《基于矩阵分解的信息融合方法及应用》共7章，大体可分为3个部分：第一部分包括第1章和第2章，介绍了信息融合的基础知识；第二部分包括第3章至第5章，介绍了一些基于矩阵分解的信息融合方法；第三部分包括第6章和第7章，介绍了一些经典的异构网络模块识别算法，并总结了该领域的若干研究趋势。该书重点是第3章至第5章，该部分内容由浅入深、逐层递进，读者在阅读这部分内容时，需具备一定的高等数学、线性代数知识。
　　该书内容主要来源于笔者攻读博士学位期间的工作和在看文献的过程中萌生出的一系列想法，因此，有必要将该书的主要体系结构和特色做一简单说明，以区别于其他信息融合和机器学习著作。该书主要针对现有信息融合方法中的不足，分别研究了基于对称非负矩阵分解的信息融合模型、考虑图正则化的对称非负矩阵分解融合模型和基于对称非负矩阵分解的预测模型，并将其应用到跨模态信息检索任务中。

　　马园园，男，博士，主要研究领域：机器学习、复杂网络、生物信息学等，目前就职于安阳师范学院计算机与信息工程学院，从事信息分析、信息组织与检索教学、科研等工作，近3年来，在国际主流会议和期刊上发表论文8篇，担任多个国际SCI期刊审稿人。

1 绪论
1．1 研究背景与研究意义
1．1．1 研究背景
1．1．2 研究意义
1．2 国内外研究进展
1．2．1 信息融合研究现状述评
1．2．2 基于机器学习的信息融合研究现状述评
1．2．3 存在的主要问题
1．3 研究内容与本书结构
1．3．1 研究内容
1．3．2 本书结构
1．4 本书主要贡献

2 信息融合相关理论
2．1 信息融合概念与原理
2．1．1 信息融合概念
2．1．2 信息融合原理
2．2 信息融合策略
2．2．1 早期融合
2．2．2 中期融合
2．2．3 后期融合
2．3 子空间学习理论
2．3．1 多视角谱聚类
2．3．2 连接的多视角非负矩阵分解
2．3．3 一致的多视角非负矩阵分解
2．3．4 基于多、图的信息融合
2．4 本章小结

3 基于对称非负矩阵分解的信息融合模型
3．1 对称非负矩阵分解
3．1．1 相似性度量
3．1．2 目标函数与优化
3．2 SNMF与核K均值聚类、谱聚类的等效性
3．2．1 核K均值聚类
3．2．2 谱聚类
3．2．3 实例
3．3 基于对称非负矩阵分解的聚类融合模型
3．3．1 建模思想
3．3．2 基本假设和一致性矩阵表述
3．3．3 基于对称非负矩阵分解的聚类融合模型的建立
3．3．4 算法优化
3．4 实例分析与讨论
3．4．1 数据集描述与预处理
3．4．2 实验结果
3．4．3 分析与讨论
3．5 本章小结

4 考虑图正则化的对称非负矩阵分解信息融合模型
4．1 正则化思想
4．1．1 正则化理论
4．1．2 图正则化框架
4．2 基于Laplacian正则化的对称非负矩阵分解融合模型
4．2．1 建模思想概述
4．2．2 基本假设
4．2．3 基于Laplacian正则化的对称非负矩阵分解融合模型
4．2．4 算法优化
4．2．5 实例分析与讨论
4．3 基于Hessian正则化的对称非负矩阵分解融合模型
4．3．1 建模思想概述
4．3．2 基本假设和定义
4．3．3 基于Hessian正则化的对称非负矩阵分解融合模型
4．3．4 算法优化
4．3．5 实例分析与讨论
4．4 基于对称非负矩阵分解的预测模型
4．4．1 基于对称非负矩阵分解的实时样本预测模型
4．4．2 实验分析与讨论
4．5 本章小结
……
5 基于对称非负矩阵分解融合模型在跨模态检索中的应用
6 其他多视角信息融合模型及应用
7 总结与展望
参考文献
附录
致谢

　　信息技术的发展，使得互联网上的数据呈现大数据特性，主要表现为体量大和多源异构，这些问题对科学管理和计算方法提出了严峻的挑战，迫切需要我们整合多个来源的数据表示形式，以获得比任何单个来源的信息都要准确、可靠的知识。
　　信息融合（或信息整合，在很多文献中这两个概念是通用的，因此本书也不做区别）是解决多源异构问题的主要思路和途径，然而，信息融合是一门广袤的学科，罕有文献论及其方方面面。笔者再三思考，决定从近年来的主要研究方向——矩阵分解和多视角学习入手来阐述信息融合的一些理论与方法。这些内容中，有些是笔者近3年的研究成果，有些是在看文献的过程中萌生出的一些想法，尚没有经过验证，作为本书相应章节的内容一并呈现给大家。这些工作对信息融合这个大的领域而言，实乃管中窥豹。
　　本书在写作过程中，参考了大量的期刊、会议文献，还有一些专著，如杨露菁、余华编著的《多源信息融合理论与应用》（第二版，2011），韩崇召、朱洪艳、段战胜等编著的《多源信息融合》（第二版，2009）等，这些研究成果为本书第2章内容的写作提供了较大的指导和借鉴。
　　本书共7章，大体可分为3个部分：第一部分包括第1章和第2章，介绍了信息融合的基础知识；第二部分包括第3章至第5章，介绍了一些基于矩阵分解的信息融合方法；第三部分包括第6章和第7章，介绍了一些经典的异构网络模块识别算法，并总结了该领域的若干研究趋势。本书重点是第3章至第5章，该部分内容由浅入深、逐层递进，读者在阅读这部分内容时，需具备一定的高等数学、线性代数知识。
　　本书内容主要来源于笔者攻读博士学位期间的工作和在看文献的过程中萌生出的一系列想法，因此，有必要将本书的主要体系结构和特色做一简单说明，以区别于其他信息融合和机器学习著作。本书主要针对现有信息融合方法中的不足，分别研究了基于对称非负矩阵分解的信息融合模型、考虑图正则化的对称非负矩阵分解融合模型和基于对称非负矩阵分解的预测模型，并将其应用到跨模态信息检索任务中。
　　以上几个方面为本书的主要特色，将图正则化和信息融合框架相结合，既考虑了对图论内容有兴趣读者的学习兴趣，又考虑了对机器学习相关内容感兴趣读者的感受，希望有助于读者增广见闻。
　　本书不可避免地涉及大量国外期刊文献中的相关方法和应用，会将一些概念明确的专业术语翻译为中文；而对一些难以用汉语表达其完整含义的术语则给出了中译名，并辅以原始文献中的英文对照。
　　本书的撰写和出版由“教育部、国家语委甲骨文研究与应用专项项目（YWZ-J010）”“国家自然科学基金项目（61806007）”“河南省高校科技创新团队支持计划（171RTSTHN012）”资助，在此一并感谢。
　　信息融合、机器学习发展极为迅速，罕有学者能对其众多分支均有精深理解，笔者才疏学浅、略知皮毛，更兼精力和时间有限，书中错谬、疏漏之处在所难免，恳请读者批评指正，将不胜感激。