在大数据时代,聚类方法作为机器学习与数据挖掘中最重要的方法之一,已经在各行各业都广泛应用。其中,半监督聚类通过增加少量的辅助监督信息,既只需要付出少量的人工成本,同时又可以获得相对高质量的聚类效果。因此,对半监督聚类的研究能够帮助各个行业在海量多维数据中快速分析数据,具有重要的应用价值和学术价值。半监督聚类的监督信息主要分为类标签和成对约束信息。本文以基于成对约束信息的半监督聚类作为研究的重点,提出了联合损失的深度聚类模型。本文的主要工作包括:1.本文提出一种联合重构损失、成对约束损失和聚类损失的深度聚类网络。该深度聚类网络采用深度自编码器网络的重构损失,确保网络的隐藏层可以学习样本的数据特征;通过构建成对约束损失,使得隐藏向量可以体现样本相似性,即相同类别的样本距离更近,不同类别的样本聚类更远;通过引入聚类损失,使得神经网络进一步学习到样本之间的相似性,从而实现良好的聚类效果。在多个实验上表明,本文提出的聚类模型具有更好的效果。2.本文提出一种基于动态代价敏感的成对约束损失。针对成对约束标签中存在类别不平衡的情况,本文采用动态学习的放大少数类样本权重的代价敏感法。本文提出的动态代价敏感的成对约束损失构建的隐藏向量更加体现样本相似性,实验表明其具有更好的聚类效果。