题目：Deep graph regularized non-negative matrix factorization for multi-view clustering

一. 创新点

这篇文章主要是基于一个叫做Deep Semi-NMF的方法。传统的NMF是用X算出H，而该方法把H算出来以后，会把H当作新的原始变量，再算新的H，如此迭代下去。用最后一次层的H作为表征矩阵。
该论文将这个方法运用在了多视图上，得到表征矩阵，然后再进行传统聚类。

二. 目标函数

1. 第一项

字母l是指进行深度NMF的迭代次数。传统NMF中有“min||H-ZH||”，该项就是把一层的约束扩展到了l层。

2. 第二项

每个视图都算出了自己的深层H^(v)，他们应该是都接近于一个总的H，即H*。最后会用H*进行聚类。

3. 第三项

第三项从以下步骤推倒而来：

H是representation，D-W是一个拉普拉斯矩阵。这里的W采用的是高斯距离。注意，这里的W算的是原始点X的距离。

第一排公式的意思是，距离更近的x所转化为的h也应该更相似。