CN114298123A - 聚类处理方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种聚类处理方法、装置、电子设备及可读存储介质，属于计算机技术领域。方法包括：获取第一聚类簇集合和第二聚类簇集合，第一聚类簇集合和第二聚类簇集合中的目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，目标聚类簇集合为第一聚类簇集合和第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合；响应于满足目标条件，将第三聚类簇集合作为目标聚类结果。本申请能够提高聚类结果的准确性。

Description

聚类处理方法、装置、电子设备及可读存储介质

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种聚类处理方法、装置、电子设备及可读存储介质。

背景技术

随着计算机技术的兴起，越来越多的数据通过计算机进行处理，聚类处理技术是计算机对数据进行处理的一个重要技术。聚类处理技术是根据对象数据自身的属性以及相互间的属性关系，将具有高相似度属性的对象数据放在同一个聚类簇中，将具有低相似度属性的对象数据放在不同的聚类簇中，以此得到多个聚类簇。

相关技术中，通常采用一种聚类算法对多个对象数据进行聚类处理。然而聚类算法的种类繁多，例如，聚类算法包括但不限于K均值聚类算法(K-means ClusteringAlgorithm)、莱顿(Leiden)算法、鲁汶(Louvain)算法、基于深度学习特征表达的目前技术水平(State Of The Art，SOTA)算法等，仅采用一种聚类算法对多个对象数据进行聚类处理，会由于该聚类算法自身的局限性，影响聚类结果的准确性。

发明内容

本申请实施例提供了一种聚类处理方法、装置、电子设备及可读存储介质，可用于解决相关技术中聚类结果准确性较低的问题，所述技术方案包括如下内容。

一方面，本申请实施例提供了一种聚类处理方法，所述方法包括：

获取第一聚类簇集合和第二聚类簇集合，所述第一聚类簇集合和所述第二聚类簇集合中的目标聚类簇集合为对所述目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，所述目标聚类簇集合为所述第一聚类簇和所述第二聚类簇中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；

基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合；

响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果。

另一方面，本申请实施例提供了一种聚类处理装置，所述装置包括：

获取模块，用于获取第一聚类簇集合和第二聚类簇集合，所述第一聚类簇集合和所述第二聚类簇集合中的目标聚类簇集合为对所述目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，所述目标聚类簇集合为所述第一聚类簇集合和所述第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；

更新模块，用于基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合；

确定模块，用于响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，所述更新模块，还用于响应于不满足所述目标条件，基于所述第二聚类簇集合对所述第三聚类簇集合进行更新处理，得到第四聚类簇集合；

所述确定模块，还用于响应于满足所述目标条件，将所述第四聚类簇集合作为所述目标聚类结果。

在一种可能的实现方式中，所述更新模块，用于基于所述第一聚类簇集合对所述第二聚类簇集合进行更新处理，得到第五聚类簇集合；基于所述第五聚类簇集合对所述第三聚类簇集合进行更新处理，得到所述第四聚类簇集合。

在一种可能的实现方式中，所述确定模块，用于响应于所述第三聚类簇集合与所述第一聚类簇集合相同，则将所述第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，所述确定模块，用于响应于当前的更新次数达到目标次数，则将所述第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，所述第一聚类簇集合包括多个第一聚类簇，所述第二聚类簇集合包括多个第二聚类簇，所述第三聚类簇集合包括多个第三聚类簇；

所述更新模块，用于对于任一个第二聚类簇，基于所述任一个第二聚类簇中各个对象数据所属的第一聚类簇，确定所述任一个第二聚类簇的变异系数，所述任一个第二聚类簇的变异系数用于表征所述任一个第二聚类簇中各个对象数据的离散程度；基于各个第二聚类簇的变异系数对所述多个第一聚类簇进行更新处理，得到所述多个第三聚类簇。

在一种可能的实现方式中，所述更新模块，用于对于任一个第二聚类簇，响应于所述任一个第二聚类簇的变异系数大于目标变异系数，则从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇；确定所述任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；将所述任一个第二聚类簇中不属于所述一个第三聚类簇的对象数据，添加至所述一个第三聚类簇中。

在一种可能的实现方式中，所述更新模块，用于对于任一个第二聚类簇，响应于所述任一个第二聚类簇的变异系数不大于目标变异系数，将所述任一个第二聚类簇中各个对象数据所属的第一聚类簇确定为第三聚类簇。

在一种可能的实现方式中，所述第一聚类簇集合包括多个第一聚类簇，所述第二聚类簇集合包括多个第二聚类簇，所述第三聚类簇集合包括多个第三聚类簇；

所述更新模块，用于对于任一个第二聚类簇，对所述任一个第二聚类簇中的各个对象数据进行离群点检测处理，得到所述任一个第二聚类簇中各个对象数据的离群点检测结果；基于各个第二聚类簇中各个对象数据的离群点检测结果对所述多个第一聚类簇进行更新处理，得到多个第三聚类簇。

在一种可能的实现方式中，所述更新模块，用于对于任一个第二聚类簇，响应于所述任一个第二聚类簇中的各个对象数据中存在第一对象数据，则从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇，所述第一对象数据的离群点检测结果为非离群点对象数据；确定所述任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；响应于所述第一对象数据不属于所述一个第三聚类簇，将所述第一对象数据添加至所述一个第三聚类簇中。

在一种可能的实现方式中，所述更新模块，用于对于任一个第二聚类簇，响应于所述任一个第二聚类簇中的各个对象数据中存在第二对象数据，确定一个第二对象数据所属的第一聚类簇为一个第三聚类簇，所述第二对象数据的离群点检测结果为离群点对象数据。

在一种可能的实现方式中，所述更新模块，用于对所述任一个第二聚类簇中的各个对象数据进行降维处理，得到各个降维对象数据；对所述各个降维对象数据进行离群点检测处理，得到所述任一个第二聚类簇中各个对象数据的离群点检测结果。

在一种可能的实现方式中，所述更新模块，用于基于所述多个第一聚类簇和所述多个第二聚类簇确定交叉表，所述交叉表的一行数据表征一个第一聚类簇中的各个对象数据，所述交叉表的一列数据表征一个第二聚类簇中的各个对象数据；基于所述交叉表从所述多个第一聚类簇中确定所述任一个第二聚类簇所对应的第一聚类簇。

在一种可能的实现方式中，所述交叉表中包括多个非零数据，所述非零数据表征所述非零数据所在行对应的第一聚类簇和所述非零数据所在列对应的第二聚类簇包含相同对象数据的数量；

所述更新模块，用于从所述交叉表中所述任一个第二聚类簇对应的列所包含的各个非零数据中，确定最大非零数据；将所述最大非零数据所在行对应的第一聚类簇，确定为所述任一个第二聚类簇对应的第一聚类簇。

在一种可能的实现方式中，所述对象数据为细胞的基因表达矩阵，所述第一聚类簇集合对应的聚类结果是基于莱顿算法对多个细胞的基因表达矩阵进行聚类处理得到的，所述第二聚类簇集合对应的聚类结果是基于深度嵌入单细胞聚类算法对所述多个细胞的基因表达矩阵进行聚类处理得到的。

另一方面，本申请实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使所述电子设备实现上述任一所述的聚类处理方法。

另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以使计算机实现上述任一所述的聚类处理方法。

另一方面，还提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行，以使计算机实现上述任一种聚类处理方法。

本申请实施例提供的技术方案至少带来如下有益效果：

本申请实施例提供的技术方案中第一聚类簇集合和第二聚类簇集合中的至少一个为目标聚类簇集合，目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，实现了更新目标聚类簇集合对应的聚类结果，之后，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，以在满足目标条件时，将第三聚类簇集合作为目标聚类结果，且不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的，实现了通过多次更新融合第一聚类算法和第二聚类算法，提高聚类结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种聚类处理方法的实施环境示意图；

图2是本申请实施例提供的一种聚类处理方法的流程图；

图3是本申请实施例提供的一种莱顿算法的聚类示意图；

图4是本申请实施例提供的一种深度嵌入单细胞聚类算法的聚类示意图；

图5是本申请实施例提供的一种细胞数据的聚类处理方法的流程图；

图6是本申请实施例提供的一种数据集与聚类评价指标的示意图；

图7是本申请实施例提供的一种不同方法对应的聚类评价指标的示意图；

图8是本申请实施例提供的一种猕猴细胞数据集的聚类结果示意图；

图9是本申请实施例提供的一种单核细胞数据集的聚类结果示意图；

图10是本申请实施例提供的一种老鼠细胞数据集的聚类结果示意图；

图11是本申请实施例提供的一种胰岛细胞数据集的聚类结果示意图；

图12是本申请实施例提供的一种聚类处理装置的结构示意图；

图13是本申请实施例提供的一种终端设备的结构示意图；

图14是本申请实施例提供的一种服务器的结构示意图；

图15是本申请实施例提供的一种Leiden算法对应的猕猴细胞数据集的聚类结果示意图；

图16是本申请实施例提供的一种DESC算法对应的猕猴细胞数据集的聚类结果示意图；

图17是本申请实施例提供的一种本申请实施例的方法对应的猕猴细胞数据集的聚类结果示意图；

图18是本申请实施例提供的一种SAFE方法对应的猕猴细胞数据集的聚类结果示意图；

图19是本申请实施例提供的一种猕猴细胞数据集的实际聚类结果示意图；

图20是本申请实施例提供的一种Leiden算法对应的单核细胞数据集的聚类结果示意图；

图21是本申请实施例提供的一种DESC算法对应的单核细胞数据集的聚类结果示意图；

图22是本申请实施例提供的一种本申请实施例的方法对应的单核细胞数据集的聚类结果示意图；

图23是本申请实施例提供的一种SAFE方法对应的单核细胞数据集的聚类结果示意图；

图24是本申请实施例提供的一种单核细胞数据集的实际聚类结果示意图；

图25是本申请实施例提供的一种Leiden算法对应的老鼠细胞数据集的聚类结果示意图；

图26是本申请实施例提供的一种DESC算法对应的老鼠细胞数据集的聚类结果示意图；

图27是本申请实施例提供的一种本申请实施例的方法对应的老鼠细胞数据集的聚类结果示意图；

图28是本申请实施例提供的一种SAFE方法对应的老鼠细胞数据集的聚类结果示意图；

图29是本申请实施例提供的一种老鼠细胞数据集的实际聚类结果示意图；

图30是本申请实施例提供的一种Leiden算法对应的胰岛细胞数据集的聚类结果示意图；

图31是本申请实施例提供的一种DESC算法对应的胰岛细胞数据集的聚类结果示意图；

图32是本申请实施例提供的一种本申请实施例的方法对应的胰岛细胞数据集的聚类结果示意图；

图33是本申请实施例提供的一种SAFE方法对应的胰岛细胞数据集的聚类结果示意图；

图34是本申请实施例提供的一种胰岛细胞数据集的实际聚类结果示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

图1是本申请实施例提供的一种聚类处理方法的实施环境示意图，如图1所示该实施环境包括电子设备11，本申请实施例中的聚类处理方法可以由电子设备11执行。示例性地，电子设备11可以包括终端设备或者服务器中的至少一项。

终端设备可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机中的至少一种。

服务器可以为一台服务器，或者为多台服务器组成的服务器集群，或者为云计算平台和虚拟化中心中的任意一种，本申请实施例对此不加以限定。服务器可以与终端设备通过有线网络或无线网络进行通信连接。服务器可以具有数据处理、数据存储以及数据收发等功能，在本申请实施例中不加以限定。

本申请实施例提供的聚类处理方法是基于人工智能技术实现的，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

基于上述实施环境，本申请实施例提供了一种聚类处理方法，以图2所示的本申请实施例提供的一种聚类处理方法的流程图为例，该方法可由图1中的电子设备11执行。如图2所示，该方法包括步骤201-步骤203。

步骤201，获取第一聚类簇集合和第二聚类簇集合，第一聚类簇集合和第二聚类簇集合中的目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，目标聚类簇集合为第一聚类簇集合和第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的。

本申请实施例中，第一聚类簇集合对应的聚类结果是基于第一聚类算法对多个对象数据进行聚类处理得到的，第二聚类簇集合对应的聚类结果是基于第二聚类算法对多个对象数据进行聚类处理得到的。其中，第一聚类簇集合包括多个第一聚类簇，第二聚类簇集合包括多个第二聚类簇。

本申请实施例不对第一聚类算法、对象数据做限定，示例性的，第一聚类算法包括但不限于Leiden算法、Louvain算法、基于深度学习特征表达的SOTA算法、K均值聚类算法(K-means Clustering Algorithm)、深度嵌入单细胞聚类(Deep Embedding For Single-cell Clustering，DESC)算法等。对象数据包括但不限于细胞数据、点云数据、视频数据、音乐数据等。

本申请实施例中，通过第一聚类算法对多个对象数据进行聚类处理，得到第一聚类结果，该第一聚类结果包括多个聚类簇，任一个聚类簇中包括至少一个对象数据。将第一聚类结果作为多个第一聚类簇，或者对第一聚类结果进行至少一次更新，将更新后的第一聚类结果作为多个第一聚类簇。

其中，本申请实施例不对第一聚类结果进行更新的方式做限定。示例性的，通过本申请实施例中的步骤202的方式，对第一聚类结果进行更新，详细请见步骤202的相关描述。

其中，多个第二聚类簇为第二聚类结果或者对第二聚类结果进行至少一次的更新处理得到的，第二聚类结果是基于第二聚类算法对多个对象数据进行聚类处理得到的。

本申请实施例不对第二聚类算法做限定，示例性的，第二聚类算法包括但不限于Leiden算法、Louvain算法、基于深度学习特征表达的SOTA算法、K均值聚类算法(K-meansClustering Algorithm)、DESC算法等。其中，第二聚类算法是与第一聚类算法不同的聚类算法。

本申请实施例中，通过第二聚类算法对多个对象数据进行聚类处理，得到第二聚类结果，该第二聚类结果包括多个聚类簇，任一个聚类簇中包括至少一个对象数据。将第二聚类结果作为多个第二聚类簇，或者对第二聚类结果进行至少一次更新，将更新后的第二聚类结果作为多个第二聚类簇。

其中，本申请实施例不对第二聚类结果进行更新的方式做限定。示例性的，通过本申请实施例中的步骤202的方式，对第二聚类结果进行更新，详细请见步骤202的相关描述。

需要说明的是，目标聚类簇集合为第一聚类簇集合和第二聚类簇集合中的至少一个，目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次的更新处理得到的。也就是说，当目标聚类簇集合仅为第一聚类簇集合时，第一聚类簇集合是对第一聚类结果进行至少一次更新得到的，第二聚类簇集合为第二聚类结果；当目标聚类簇集合仅为第二聚类簇集合时，第一聚类簇集合是第一聚类结果，第二聚类簇集合为对第二聚类结果进行至少一次更新得到的；当目标聚类簇集合为第一聚类簇集合和第二聚类簇集合时，第一聚类簇集合是对第一聚类结果进行至少一次更新得到的，第二聚类簇集合为对第二聚类结果进行至少一次更新得到的。

可选地，对象数据为细胞的基因表达矩阵，第一聚类簇集合对应的聚类结果是基于莱顿算法对多个细胞的基因表达矩阵进行聚类处理得到的，第二聚类簇集合对应的聚类结果是基于深度嵌入单细胞聚类算法对多个细胞的基因表达矩阵进行聚类处理得到的。

本申请实施例中，对象为细胞，对象数据(即细胞数据)为细胞的基因表达矩阵。使用莱顿算法和深度嵌入单细胞聚类算法，分别对多个细胞数据进行聚类处理，得到第一聚类结果和第二聚类结果。下面将分别介绍莱顿算法(请参见实现方式A1)和深度嵌入单细胞聚类算法(请参见实现方式A2)。

实现方式A1，使用莱顿算法对多个细胞数据进行聚类处理。莱顿算法是通过多个阶段的聚类处理，得到第一聚类结果。一个阶段的聚类处理包括移动细胞处理和提炼处理，移动细胞处理是对多个细胞数据进行初步聚类的过程，得到该阶段对应的多个原始聚类簇，每一个原始聚类簇中包括至少一个细胞数据，提炼处理是对该阶段对应的多个原始聚类簇进行再次聚类的过程，得到该阶段对应的多个更新后的聚类簇，更新后的聚类簇中包括至少一个细胞数据。

请参见图3，图3是本申请实施例提供的一种莱顿算法的聚类示意图，其中，图3仅示出了两个阶段的聚类处理，这两个阶段分别为阶段一和阶段二。首先，对于多个细胞数据中的每两个细胞数据，确定每两个细胞数据之间的权重，得到图3所示的(1)，(1)包括多个细胞数据和每两个细胞数据之间的权重。

针对阶段一，对(1)进行移动细胞处理，以对多个细胞数据进行初步聚类，得到阶段一对应的多个原始聚类簇，如图3所示的(2)。(2)中相同颜色的细胞数据表示同一个原始聚类簇中的细胞数据，不同颜色的细胞数据表示不同原始聚类簇中的细胞数据。之后，对(2)进行提炼处理，以对同一个原始聚类簇中的细胞数据进行再次聚类，得到多个更新后的原始聚类簇，如图3所示的(3)。(3)中的一个原始聚类簇中包括不同颜色的细胞数据，表示在提炼处理时，(2)中的原始聚类簇切分成了(3)中的至少两个聚类簇。之后，基于(3)所示的聚类结果进行阶段二的聚类处理。

针对阶段二，如图3所示的(4)，(4)中包括五个聚类簇，这五个聚类簇是阶段一对应的更新后的原始聚类簇，即(3)所示的聚类结果，聚类簇与聚类簇之间的连线表示聚类簇与聚类簇之间的权重。对(4)进行移动细胞处理，以对多个细胞数据进行初步聚类，得到阶段二对应的多个原始聚类簇，如图3所示的(5)。(5)中相同颜色的聚类簇表示同一个原始聚类簇，不同颜色的聚类簇表示不同的原始聚类簇。之后，对(5)进行提炼处理，以对同一个原始聚类簇中的细胞数据进行再次聚类，得到多个更新后的原始聚类簇，如图3所示的(6)。(6)中的一个原始聚类簇中包括相同颜色的至少两个聚类簇，表示在提炼处理时，该原始聚类簇未与其他原始聚类簇聚为一类。之后，基于(6)所示的聚类结果进行下一个阶段(即阶段三)的聚类处理，或者将(6)所示的聚类结果作为第一聚类结果。

由上述关于莱顿算法的描述能够看出，莱顿算法在每一个阶段的聚类处理中，先进行移动细胞处理以对所有的细胞数据进行初步聚类，再进行提炼处理以对所有的细胞数据进行再次聚类。因此，莱顿算法能够实现对细胞数据进行全局聚类，是一种全局聚类处理算法。

实现方式A2，使用DESC算法对多个细胞数据进行聚类处理，DESC算法是一种基于深度学习特征表达的SOTA算法。DESC算法是通过将各个细胞数据输入至自动编码器，由自动编码器对各个细胞数据进行编码，得到各个细胞的基因表达特征。基于各个细胞的基因表达特征各个细胞数据所属的聚类簇、各个细胞数据属于其所属聚类簇的概率和各个细胞数据的批次号等。其中，DESC算法通过确定一个细胞数据属于各个聚类簇的概率，从而确定该细胞数据所属的聚类簇为最大概率所对应的聚类簇，该细胞数据属于其所属聚类簇的概率记为这个最大概率，细胞数据的批次号是该细胞数据的采样批次。

如图4所示，图4是本申请实施例提供的一种DESC算法的聚类示意图。首先，将各个细胞的基因表达矩阵作为输入信息输入至自动编码器，由自动编码器对各个细胞的基因表达矩阵进行编码，得到各个细胞的基因表达特征。之后，基于各个细胞的基因表达特征进行聚类处理，得到聚类结果。当基于模型实现DESC算法时，基于聚类结果和损失函数优化模型参数，以更新模型，利用更新后的模型和各个细胞的基因表达特征，对各个细胞数据进行聚类处理，得到聚类结果。其中，损失函数不作限定。

可选的，损失函数为图4所示的Loss＝KL(P||Q)，Loss为损失函数，KL表示KL散度(Kullback-Leibler Divergence)，也叫相对熵(Relative Entropy)，P为真实的概率分布(即细胞数据属于各个聚类簇的概率)，Q为P的拟态分布。

需要说明的是，模型的输出信息包括但不限于聚类结果。如图4所示，输出信息包括三个部分。其中，第一个部分为聚类簇(即聚类结果)，聚类簇中标号0-5表示6个聚类簇，每个聚类簇中包括至少一个细胞数据，也就是说，聚类簇为各个细胞数据所属的聚类簇。第二个部分为细胞数据的概率，通过确定一个细胞数据属于各个聚类簇的概率，确定这个细胞数据的最大概率，从而确定聚类簇中细胞数据的概率为这个最大概率。第三部分为细胞数据的批次，同一个聚类簇中包括至少一个批次的细胞数据。

由上述关于DESC算法的描述可以看出，DESC算法是基于一个细胞的基因表达矩阵确定该细胞的基因表达矩阵(即细胞数据)的聚类结果，通过此方式，确定各个细胞数据的聚类结果，具有针对个体样本的强聚类能力，是一种局部聚类处理算法。

步骤202，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合。

本申请实施例中，第三聚类簇集合包括多个第三聚类簇。任一个对象数据对应一个第一聚类簇，也对应一个第二聚类簇。通过对象数据与第一聚类簇、第二聚类簇之间的对应关系，基于多个第二聚类簇对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

其中，可以使用变异系数(Coefficient Of Variation，CV)的相关技术，基于多个第二聚类簇对多个第一聚类簇进行更新处理，详细请参见实现方式B1。也可以使用离群点检测(Outlier Detection，OD)技术，基于多个第二聚类簇对多个第一聚类簇进行更新处理，详细请参见实现方式B2。

实现方式B1，第一聚类簇集合包括多个第一聚类簇，第二聚类簇集合包括多个第二聚类簇，第三聚类簇集合包括多个第三聚类簇；基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，包括：对于任一个第二聚类簇，基于任一个第二聚类簇中各个对象数据所属的第一聚类簇，确定任一个第二聚类簇的变异系数，任一个第二聚类簇的变异系数用于表征任一个第二聚类簇中各个对象数据的离散程度；基于各个第二聚类簇的变异系数对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

变异系数又称离散系数、变差系数(Coefficient Of Variation，CV)，是数据分布离散程度的一个归一化量度。可选的，对于多个第二聚类簇中的任一个第二聚类簇，统计该第二聚类簇中各个对象数据所对应的第一聚类簇，得到该第二聚类簇对应的各个非零数据，任一个非零数据是一个第一聚类簇所对应的该第二聚类簇中对象数据的数量。

例如，一个第二聚类簇中包括十个对象数据，其中，有5个对象数据对应第一聚类簇1，有2个对象数据对应第一聚类簇2，有3个对象数据对应第一聚类簇3，则该第二聚类簇对应有三个非零数据，分别为5、2和3。

对于多个第二聚类簇中的任一个第二聚类簇，基于该第二聚类簇对应的各个非零数据，计算该第二聚类簇的标准差和平均值，基于该第二聚类簇的标准差和平均值确定该第二聚类簇的变异系数。通过这种方式，能够计算出各个第二聚类簇的变异系数。其中，任意一个第二聚类簇的变异系数能够用如下所示的公式表示。

其中，cv(ACR(i))为任意一个第二聚类簇的变异系数，σ(ACR(i))为任意一个第二聚类簇的标准差，μ(ACR(i))为任意一个第二聚类簇的平均值。

需要说明的是，对于任意一个第二聚类簇，一个第一聚类簇所对应的该第二聚类簇中对象数据的数量可能为非零数据，也可能为零。在计算该第二聚类簇的变异系数时，先计算该第二聚类簇对应的非零数据的数量和零的数量之和，得到第二聚类簇的数量数据，如该第二聚类簇对应有三个非零数据和四个零，则该第二聚类簇的数量数据为7。然后，基于计算该第二聚类簇的非零数据之和与该第二聚类簇的数据数量的比值，得到该第二聚类簇的平均值，如该第二聚类簇对应的三个非零数据之和为10，该第二聚类簇的数量数据为7，则该第二聚类簇的平均值为10/7。

之后，对于该第二聚类簇对应的任意一个非零数据，先将该非零数据减去该列的平均值，得到该非零数据对应的差值，再计算该非零数据对应的差值的平方，通过这种方式，得到该第二聚类簇对应的各个非零数据对应的差值的平方，计算各个非零数据对应的差值的平方之和，该平方之和除以该第二聚类簇的数据数量，将所得结果开根号，得到该第二聚类簇的标准差。

示例性的，一个第二聚类簇对应一组数据：ACR(2)＝[0,10399,...,2324,2051,...,0]，该组数据中的任一个数据为一个第一聚类簇所对应的该第二聚类簇中对象数据的数量。根据该组数据，可以计算出该第二聚类簇的标准差为σ(ACR(2))＝1550.8，该第二聚类簇的平均值为μ(ACR(2))＝357.6，该第二聚类簇的变异系数为cv(ACR(2))＝4.33。

在得到各个第二聚类簇的变异系数之后，基于各个第二聚类簇的变异系数对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

可选地，基于各个第二聚类簇的变异系数对多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：对于任一个第二聚类簇，响应于任一个第二聚类簇的变异系数大于目标变异系数，则从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇；确定任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；将任一个第二聚类簇中不属于一个第三聚类簇的对象数据，添加至一个第三聚类簇中。

本申请实施例不对目标变异系数的数值大小做限定，示例性的，根据人工经验设置目标变异系数的数值为2。

例如，若一个第二聚类簇的变异系数为cv(ACR(2))＝4.33。目标变异系数C_th＝2，由于4.33大于2，因此，需要从多个第一聚类簇中确定该第二聚类簇对应的第一聚类簇，确定该第二聚类簇对应的第一聚类簇为一个第三聚类簇，并将该第二聚类簇中不属于一个第三聚类簇的对象数据，添加至一个第三聚类簇中。

本申请实施例中，对于任意一个第二聚类簇，当该任意一个第二聚类簇的变异系数大于目标变异系数时，从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇。

可选地，从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇，包括：基于多个第一聚类簇和多个第二聚类簇确定交叉表，交叉表的一行数据表征一个第一聚类簇中的各个对象数据，交叉表的一列数据表征一个第二聚类簇中的各个对象数据；基于交叉表从多个第一聚类簇中确定任一个第二聚类簇所对应的第一聚类簇。

交叉表(Cross Table)是一种分类汇总表格，交叉表包括若干行和若干列。本申请实施例中，基于多个第一聚类簇和多个第二聚类簇确定一个交叉表，该交叉表的各行分别对应各个第一聚类簇，该交叉表的各列分别对应各个第二聚类簇。

可选的，一个第一聚类簇对应一个第一聚类簇标识，一个第二聚类簇对应一个第二聚类簇标识，一个对象数据包括一个对象标识；基于多个第一聚类簇和多个第二聚类簇确定交叉表，包括：基于各个第一聚类簇的第一聚类簇标识、各个第一聚类簇中包含的各个对象数据的对象标识、各个第二聚类簇的第二聚类簇标识和各个第二聚类簇中包含的各个对象数据的对象标识，确定各个聚类簇标识集合对应的对象标识，一个聚类簇标识集合包括一个第一聚类簇标识和一个第二聚类簇标识；基于各个聚类簇标识集合对应的对象标识的数量，确定交叉表。

第一聚类簇标识和第二聚类簇标识均包括但不限于数字、字符、符号等中的至少一项，对象数据的对象标识包括但不限于数字、字符、符号等中的至少一项，其中，第一聚类簇标识、第二聚类簇标识、对象数据的对象标识三者可以相同，也可以不同，也可以三者中的任意两种相同，在此不做限定。

示例性的，第一聚类簇标识包括数字0至11，第二聚类簇标识包括数字0至9，对象数据的对象标识由字符S和数字组成，对象标识包括S1至SN，N为大于1的正整数。

本申请实施例中，一个对象数据的对象标识具有唯一性，用于标识该对象数据。一个对象数据对应一个第一聚类簇，且对应一个第二聚类簇。如下表1和表2所示，表1是本申请实施例提供的一种第一聚类簇标识与对象数据的对象标识之间的对应关系表，表2是本申请实施例提供的一种第二聚类簇标识与对象数据的对象标识之间的对应关系表。

表1

对象数据的对象标识	第一聚类簇标识
		S1	1
S2	0
		S3	10
S4	10
		……	……
SN	8

表2

由表1和表2可知，N个对象数据的对象标识分别为S1、S2、S3、S4……SN，N为正整数。在将N个对象数据聚类为多个第一聚类簇时，对象数据的对象标识S1对应第一聚类簇标识1，对象数据的对象标识S2对应第一聚类簇标识0，对象数据的对象标识S3对应第一聚类簇标识10，对象数据的对象标识S4对应第一聚类簇标识10，对象数据的对象标识SN对应第一聚类簇标识8。同样的，在将N个对象数据聚类为多个第二聚类簇时，对象数据的对象标识S1对应第二聚类簇标识9，对象数据的对象标识S2对应第二聚类簇标识0，对象数据的对象标识S3对应第二聚类簇标识0，对象数据的对象标识S4对应第二聚类簇标识3，对象数据的对象标识SN对应第二聚类簇标识5。

本申请实施例中，基于各个第一聚类簇标识与各个对象数据的对象标识之间的对应关系，以及各个第二聚类簇标识与各个对象数据的对象标识之间的对应关系，确定各个聚类簇标识集合对应各个对象数据的的对象标识。一个聚类簇标识集合对应的各个对象数据的对象标识，是这个聚类簇标识集合中第一聚类簇标识和第二聚类簇标识对应的相同对象数据的对象标识，即这个聚类簇标识集合中第一聚类簇标识和第二聚类簇标识对应的相同的对象标识。之后，基于各个聚类簇标识集合对应各个对象数据的的对象标识的数量，确定交叉表。

示例性的，基于表1和表2，能够确定聚类簇标识集合{1，1}对应的对象标识有8389个，聚类簇标识集合{1，2}对应的对象标识有4034个，聚类簇标识集合{1，3}对应的对象标识有1个等，其中，聚类簇标识集合{a，b}中的a为第一聚类簇标识，b为第二聚类簇标识。通过各个聚类簇标识集合对应的对象标识的数量，能够确定表3所示的交叉表，表3是本申请实施例提供的一种交叉表的示意图。

表3

其中，表3所示的交叉表中，每一行对应一个第一聚类簇，第一聚类簇标识分别为0至11，共12个第一聚类簇，每一列对应一个第二聚类簇，第二聚类簇标识分别为0至9，共十个第二聚类簇。由表3可知，针对使用第二聚类算法对多个对象数据进行聚类处理后得到的第二聚类簇标识为2中的对象数据，在使用第一聚类算法对多个对象数据进行聚类处理时，第二聚类簇标识2中的对象数据被分散在第一聚类簇标识1、第一聚类簇标识4、第一聚类簇标识5、第一聚类簇标识10中。

本申请实施例中，基于交叉表，从多个第一聚类簇中确定各个第二聚类簇所对应的第一聚类簇。其中，交叉表中包括多个非零数据，非零数据表征非零数据所在行对应的第一聚类簇和非零数据所在列对应的第二聚类簇包含相同对象数据的数量；基于交叉表从多个第一聚类簇中确定任一个第二聚类簇所对应的第一聚类簇，包括：从交叉表中任一个第二聚类簇对应的列所包含的各个非零数据中，确定最大非零数据；将最大非零数据所在行对应的第一聚类簇，确定为任一个第二聚类簇所对应的第一聚类簇。

交叉表中的任意一个数据为目标字符或者非零数据。其中，本申请实施例以及下述实施例中，目标字符为0或者空字符(即空)或者特殊字符(如符号&、字符串None等)，交叉表中任意一个非零数据表征该数据所在行对应的第一聚类簇和该数据所在列对应的第二聚类簇包含相同对象数据的数量。

对于任一个第二聚类簇，该第二聚类簇对应交叉表中的一列数据，从交叉表中该第二聚类簇对应的列所包含的各个非零数据中，确定最大非零数据，将最大非零数据所在行对应的第一聚类簇，确定为该第二聚类簇所对应的第一聚类簇。

本申请实施例中，第二聚类簇可以作为辅助聚类结果(Assistant ClusterResult，ACR)，第一聚类簇可以作为主要聚类结果(Main Cluster Result，MCR)，主要聚类结果和辅助聚类结果满足如下所示的公式。

CM(i)＝INDEX[ACR(i)＝＝MAX(ACR(i))]

其中，i为列数，即一个第二聚类簇，假设第二聚类簇的第二聚类簇标识分别为0至M(M为正整数)，则第二聚类簇的数量为M+1个，i的取值为0至M中的任意一个数，如表3中i的取值为0至9。CM(i)为第i列的最大非零数据所在行对应的第一聚类簇，即第i列对应的映射聚类簇(Cluster Mapping，CM)，该映射聚类簇为第一聚类簇。INDEX是一种返回表中的值的函数，ACR(i)为第i列的各个非零数据，MAX(ACR(i))为第i列的最大非零数据。

示例性的，如下表4所示，表4是表3中的第4列(即第二聚类簇标识为2的列)。

表4

	2
		0	0
1	4034
		2	0
3	0
		4	1346
5	2
		6	0
7	0
		8	0
9	0
		10	10
11	0

由于第二聚类簇标识2对应的列的最大非零数据为4034，4034所在行对应第一聚类簇标识1，因此，CM(2)＝1，即第2列的最大非零数据所在行对应的第一聚类簇的第一聚类簇标识1，也就是说，第二聚类簇标识2(对应一个第二聚类簇)对应第一聚类簇标识1(对应一个第一聚类簇)。

基于上述原理，针对表3，能够确定出：CM(0)＝0，CM(1)＝1，CM(2)＝1，CM(3)＝7，CM(4)＝5，CM(5)＝2，CM(6)＝11，CM(7)＝3，CM(8)＝9，CM(9)＝10。

在确定出任一个第二聚类簇所对应的第一聚类簇之后，确定任一个第二聚类簇所对应的第一聚类簇为一个第三聚类簇，并使任一个第二聚类簇中的各个对象数据属于该第三聚类簇。其中，对于第二聚类簇中的任一个对象数据，若该对象数据属于该第三聚类簇，则该对象数据与第三聚类簇之间的对应关系保持不变，若该对象数据不属于该第三聚类簇，则将该对象数据添加至该第三聚类簇中，以使该对象数据对应该第三聚类簇。

例如，对象数据S15对应第一聚类簇标识7和第二聚类簇标识2。由于第二聚类簇标识2对应第一聚类簇标识1，则确定第一聚类簇标识1对应的第一聚类簇为一个第三聚类簇，将对象数据S15添加在该第三聚类簇中，使对象数据S15属于该第三聚类簇。通过这种方式，将每一个第二聚类簇所对应的第一聚类簇均确定为第三聚类簇，并使每一个第二聚类簇中各个第一对象数据属于每一个第二聚类簇对应的第三聚类簇。

可选地，基于各个第二聚类簇的变异系数对多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：对于任一个第二聚类簇，响应于任一个第二聚类簇的变异系数不大于目标变异系数，将任一个第二聚类簇中各个对象数据所属的第一聚类簇确定为第三聚类簇。

本申请实施例中，对于任一个第二聚类簇，当该第二聚类簇的变异系数不大于目标变异系数时，对于该第二聚类簇中的任一个对象数据，该对象数据对应的第一聚类簇为一个第三聚类簇。

示例性的，若一个第二聚类簇的变异系数为cv(ACR(2))＝1.89。目标变异系数C_th＝2，由于1.89不大于2，因此，该第二聚类簇中一个对象数据对应的第一聚类簇2为一个第三聚类簇，该第二聚类簇中另一个对象数据对应的第一聚类簇9也为一个第三聚类簇。

在另一种可能的实现方式中，第一聚类簇集合包括多个第一聚类簇，第二聚类簇集合包括多个第二聚类簇，第三聚类簇集合包括多个第三聚类簇；基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，包括：对于任一个第二聚类簇，对任一个第二聚类簇中的各个对象数据进行离群点检测处理，得到任一个第二聚类簇中各个对象数据的离群点检测结果；基于各个第二聚类簇中各个对象数据的离群点检测结果对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

本申请实施例中，基于离群点检测(Outlier Detection，OD)算法，对多个对象数据进行离群点检测处理，得到各个对象数据的离群点检测结果，任一个对象数据的离群点检测结果为离群点对象数据或者非离群点对象数据。其中，本申请实施例不对离群点检测算法做限定。

示例性的，离群点检测算法是基于Copula的异常值检测(Copula-Based OutlierDetection，COPOD)算法。Copula是一种统计概率函数，用于对多维累计分布建模，还用于对多个随机变量(Random Variables，RV)间的依赖关系(Dependency)进行建模。

本申请实施例中，Python(一种计算机编程语言的软件)的PyOD(一个用于检测数据中异常值的库)提供包括COPOD算法在内的多种离群点检测算法。COPOD算法具有三个优点。第一个优点是不需要进行样本之间的距离计算，运行速度快。第二个优点是不需要调参，可以直接调用。第三个优点是离群点检测效果明显优于其他离群点检测算法。

由于COPOD算法具有上述三个优点，因此，本申请实施例采用COPOD算法，能够方便快速的对多个对象数据进行离群点检测处理，且得到的各个对象数据的离群点检测结果的准确性较高。

本申请实施例中，对多个对象数据进行离群点检测处理时，可以对多个原始的对象数据进行离群点检测处理，例如，原始的对象数据为细胞的基因表达矩阵，则对多个细胞的基因表达矩阵进行离群点检测处理。

由于原始的对象数据的维度较大，离群点检测的速度较慢，因此，可以对原始的对象数据进行处理，以提高离群点检测的速度。可选的，对多个对象数据进行离群点检测处理，得到各个对象数据的离群点检测结果，包括：对各个对象数据进行降维处理，得到各个降维对象数据；对各个降维对象数据进行离群点检测处理，得到各个对象数据的离群点检测结果。

对于任一个对象数据，对该对象数据进行降维处理，以降低该对象数据的维度、减小对象数据的数据量，得到降维处理后的对象数据，即得到降维对象数据。通过这种方式，得到各个降维对象数据，之后，基于离群点检测算法，对各个降维对象数据进行离群点检测处理，得到各个降维对象数据的离群点检测结果。任一个降维对象数据的离群点检测结果即为该降维对象数据对应的对象数据的离群点检测结果。

可以理解的是，对任一个对象数据进行降维处理的方式有多种，本申请实施例不限定对象数据的降维处理方式。

可选的，通过主成分分析(Principal Component Analysis，PCA)技术，对任一个对象数据进行降维处理，得到降维对象数据，例如，通过PCA技术对细胞的基因表达矩阵(通常包括2至3万个数据)进行降维处理，使得数据量由原来的2至3万个数据减少为50个数据。

可选的，通过神经网络技术，对任一个对象数据进行降维处理，得到降维对象数据，例如，通过特征提取网络对细胞的基因表达矩阵进行降维处理，使得数据量由原来的2至3万个数据减少为32个数据。

本申请实施例中，在确定出任一个第二聚类簇中各个对象数据的离群点检测结果之后，基于各个第二聚类簇中各个对象数据的离群点检测结果对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

可选地，基于各个第二聚类簇中各个对象数据的离群点检测结果对多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：对于任一个第二聚类簇，响应于任一个第二聚类簇中的各个对象数据中存在第一对象数据，则从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇，第一对象数据的离群点检测结果为非离群点对象数据；确定任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；响应于第一对象数据不属于一个第三聚类簇，将第一对象数据添加至一个第三聚类簇中。

对于多个第二聚类簇中的任一个第二聚类簇，若该第二聚类簇中的各个对象数据中存在离群点检测结果为非离群点对象数据的第一对象数据，则从多个第一聚类簇中确定该第二聚类簇对应的第一聚类簇。由于上文已描述了从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇的方式，因此，在本申请实施例中不再赘述。

在确定出任一个第二聚类簇所对应的第一聚类簇之后，确定任一个第二聚类簇所对应的第一聚类簇为一个第三聚类簇，并使任一个第二聚类簇中的各个第一对象数据属于该第三聚类簇。其中，对于第二聚类簇中的任一个第一对象数据，若该第一对象数据属于该第三聚类簇，则该第一对象数据与第三聚类簇之间的对应关系保持不变，若该第一对象数据不属于该第三聚类簇，则将该第一对象数据添加至该第三聚类簇中，以使该第一对象数据对应该第三聚类簇。

可选地，基于各个第二聚类簇中各个对象数据的离群点检测结果对多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：对于任一个第二聚类簇，响应于任一个第二聚类簇中的各个对象数据中存在第二对象数据，确定一个第二对象数据所属的第一聚类簇为一个第三聚类簇，第二对象数据的离群点检测结果为离群点对象数据。

本申请实施例中，对于任一个第二聚类簇，若该第二聚类簇中的各个对象数据中存在离群点检测结果为离群点对象数据的第二对象数据时，对于该第二聚类簇中的任一个第二对象数据，该第二对象数据对应的第一聚类簇为一个第三聚类簇。

需要说明的是，对第一聚类结果进行更新处理时，可以基于第二聚类结果对第一聚类结果进行更新处理，对第二聚类结果进行更新处理时，可以基于第一聚类结果对第二聚类结果进行更新处理，详细请参见步骤202的描述，二者实现原理相类似，在此不在赘述。

步骤203，响应于满足目标条件，将第三聚类簇集合作为目标聚类结果。

本申请实施例不对目标条件做限定。

可选地，响应于满足目标条件，将第三聚类簇集合作为目标聚类结果，包括：响应于第三聚类簇集合与第一聚类簇集合相同，则将第三聚类簇集合作为目标聚类结果。

目标条件是更新后的多个聚类簇与更新前的多个聚类簇相同。在本申请实施例中，更新后的多个聚类簇与更新前的多个聚类簇相同，即多个第三聚类簇与多个第一聚类簇相同。当满足多个第三聚类簇与多个第一聚类簇相同时，将多个第三聚类簇作为目标聚类结果。

可选地，响应于满足目标条件，将第三聚类簇集合作为目标聚类结果，包括：响应于当前的更新次数达到目标次数，则将第三聚类簇集合作为目标聚类结果。

当多个第一聚类簇为第一聚类结果时，第一更新次数为0，当多个第一聚类簇是对第一聚类结果进行至少一次(记为N次，N为正整数)的更新处理时，则第一更新次数为N。由于在步骤202中基于多个第二聚类簇对多个第一聚类簇进行了更新处理，因此，将第一更新次数加1，得到第二更新次数。其中，第二更新次数即为当前的更新次数。

本申请实施例中，目标条件是达到目标次数。若第二更新次数达到目标次数，即第二更新次数等于目标次数，则将多个第三聚类簇作为目标聚类结果。其中，本申请实施例不限定目标次数的数值，示例性的，目标次数为10次。

需要说明的是，目标条件除可以是更新后的多个聚类簇与更新前的多个聚类簇相同、以及达到目标次数之外，还可以是其他的条件。

示例性的，可以基于多个第三聚类簇计算聚类评价指标，聚类评价指标用于表征聚类结果的准确性，响应于聚类评价指标达到目标指标时，则将多个第三聚类簇作为目标聚类结果。也就是说，目标条件可以是基于多个第三聚类簇得到的聚类评价指标达到目标指标。

本申请实施例不限定聚类评价指标的计算方式，可选的，聚类评价指标可以包括但不限于调整兰德指数(Adjusted Rand Index，ARI)、归一化互信息(Normalized MutualInformation，NMI)。

本申请实施例也不限定目标指标的具体数值，示例性的，目标指标的数值为0.95。

在一种可能的实现方式中，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合之后，还包括：响应于不满足目标条件，基于第二聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合；响应于满足目标条件，将第四聚类簇集合作为目标聚类结果。

本申请实施例中，第四聚类簇集合包括多个第四聚类簇。当不满足目标条件时，基于多个第二聚类簇对多个第三聚类簇进行更新处理。其中，可以使用变异系数的相关技术，基于多个第二聚类簇对多个第三聚类簇进行更新处理，详细请参见实现方式B1，也可以使用离群点检测技术，基于多个第二聚类簇对多个第三聚类簇进行更新处理，详细请参见实现方式B2，二者实现原理相类似，在此不在赘述。

基于多个第二聚类簇对多个第三聚类簇进行更新处理后，得到多个第四聚类簇。当第四聚类簇满足目标条件，即多个第四聚类簇与多个第三聚类簇相同，或者，基于第二更新次数得到第三更新次数且第三更新次数达到目标次数，则将多个第四聚类簇作为目标聚类结果。当第四聚类簇不满足目标条件，则基于多个第二聚类簇对多个第四聚类簇进行更新处理，直至满足目标条件，得到目标聚类结果。

可选地，基于第二聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合，包括：基于第一聚类簇集合对第二聚类簇集合进行更新处理，得到第五聚类簇集合；基于第五聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合。

本申请实施例中，第五聚类簇集合包括多个第五聚类簇。基于多个第二聚类簇对多个第三聚类簇进行更新处理时，先基于多个第一聚类簇对多个第二聚类簇进行更新处理，得到多个第五聚类簇。其中，可以使用变异系数的相关技术，基于多个第一聚类簇对多个第二聚类簇进行更新处理，详细请参见实现方式B1，也可以使用离群点检测技术，基于多个第一聚类簇对多个第二聚类簇进行更新处理，详细请参见实现方式B2，二者实现原理相类似，在此不在赘述。

之后，基于多个第五聚类簇对多个第三聚类簇进行更新处理，得到多个第四聚类簇。其中，可以使用变异系数的相关技术，基于多个第五聚类簇对多个第三聚类簇进行更新处理，详细请参见实现方式B1，也可以使用离群点检测技术，基于多个第五聚类簇对多个第三聚类簇进行更新处理，详细请参见实现方式B2，二者实现原理相类似，在此不在赘述。

本申请实施例中，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，即第二聚类簇集合影响了第一聚类簇集合，同时，基于第一聚类簇集合对第二聚类簇集合进行更新处理，得到第五聚类簇集合，即第一聚类簇集合又影响了第二聚类簇集合。之后，基于第五聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合，使得在更新过程中，第一聚类簇集合和第二聚类簇集合之间相关影响，实现了更好的融合第一聚类簇集合和第二聚类簇集合。又由于本申请实施例会按照步骤201至步骤203的方式进行至少一次的更新，直至满足目标条件则停止更新，实现了通过迭代更新的方式提高第一聚类簇集合和第二聚类簇集合的融合效果，从而提高了聚类结果的准确性。

上述方法中第一聚类簇集合和第二聚类簇集合中的至少一个为目标聚类簇集合，目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，实现了更新目标聚类簇集合对应的聚类结果，之后，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，以在满足目标条件时，将第三聚类簇集合作为目标聚类结果，且不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的，实现了通过多次更新融合第一聚类算法和第二聚类算法，提高聚类结果的准确性。

以第一聚类算法为莱顿算法，第二聚类算法为DESC算法为例进行说明。莱顿算法是一种全局聚类处理算法，能够对细胞数据进行全局聚类，但会使局部细胞数据的聚类结果不准确，而DESC算法是一种局部聚类处理算法，具有较强的针对个体样本的聚类能力，但未考虑到细胞数据之间的关联关系，导致聚类结果的准确性较差。通过本申请实施例的聚类处理方法，能够基于莱顿算法和DESC算法确定目标聚类结果，融合莱顿算法对细胞数据进行全局聚类的优点和DESC算法对个体样本的强聚类能力，实现莱顿算法和DESC算法之间的互补，提高聚类结果的准确性。

上述从方法步骤的角度详细介绍了本申请实施例的聚类处理方法，下面结合场景进行详细说明。本申请实施例的场景是基于两种不同的聚类算法，对多个细胞数据集进行聚类的场景，本申请实施例中的多个细胞数据集包括猕猴细胞数据集、单核细胞数据集、老鼠细胞数据集和胰岛细胞数据集，这四种细胞数据集的相关信息见如下所示的表5。

表5

数据集	细胞类型	细胞数量	聚类结果
				猕猴细胞数据集	猕猴视网膜双极细胞	30302	12
单核细胞数据集	人类外周血单个核细胞	24679	8
				老鼠细胞数据集	老鼠大脑皮层细胞	13783	8
胰岛细胞数据集	人类胰腺癌胰岛细胞	6321	13

由表5可以看出，猕猴细胞数据集包括30302个猕猴视网膜双极细胞，其实际聚类结果为12个聚类簇。单核细胞数据集包括24679个人类外周血单个核细胞，其实际聚类结果为8个聚类簇。老鼠细胞数据集包括13783个老鼠大脑皮层细胞，其实际聚类结果为8个聚类簇。胰岛细胞数据集包括6321个人类胰腺癌胰岛细胞，其实际聚类结果为13个聚类簇。

对于猕猴细胞数据集、单核细胞数据集、老鼠细胞数据集和胰岛细胞数据集中的任一个细胞数据集，可以基于本申请实施例的聚类处理方法对该细胞数据集进行聚类处理。如图5所示，图5是本申请实施例提供的一种细胞数据的聚类处理方法的流程图，其中，细胞数据集中的细胞数据为细胞的基因表达矩阵。

首先，对细胞的基因表达矩阵进行预处理，一方面，通过对细胞的基因表达矩阵进行预处理，实现对细胞的基因表达矩阵进行降维，得到降维对象数据，另一方面，基于预处理后的细胞的基因表达矩阵进行聚类处理。本申请实施例中，使用莱顿算法对多个预处理后的细胞的基因表达矩阵进行聚类处理，得到多个第一聚类簇。使用深度嵌入单细胞聚类算法对多个预处理后的细胞的基因表达矩阵进行聚类处理，得到多个第二聚类簇。

然后，进行第一次的更新处理。本申请实施例中，基于多个第一聚类簇和多个第二聚类簇得到交叉表，交叉表的一列数据表征一个第二聚类簇中的各个细胞数据，交叉表的一行数据表征一个第一聚类簇中的各个细胞数据。

本申请实施例中，基于多个第二聚类簇对多个第一聚类簇进行逐列更新，得到多个更新后的第一聚类簇。然后，确定多个第一聚类簇与多个更新后的第一聚类簇是否相同，若多个第一聚类簇与多个更新后的第一聚类簇相同，则将多个第一聚类簇作为目标聚类结果，若多个第一聚类簇与多个更新后的第一聚类簇不相同，则基于多个第一聚类簇对多个第二聚类簇进行逐行更新，得到多个更新后的第二聚类簇。之后，将多个更新后的第一聚类簇作为下一次更新处理的多个第一聚类簇，将多个更新后的第二聚类簇作为下一次更新处理的多个第二聚类簇，然后进行第二次的更新处理。其中，第二次的更新处理与第一次的更新处理的方式相类似，详细请见第一次的更新处理的相关描述，在此不在赘述。

需要说明的是，在基于多个第二聚类簇对多个第一聚类簇进行逐列更新时，可以使用变异系数的相关技术或者使用离群点检测技术，基于多个第二聚类簇对多个第一聚类簇进行逐列更新，其中，可以基于降维对象数据，使用离群点检测技术，基于多个第二聚类簇对多个第一聚类簇进行逐列更新。基于同样的原理，在基于多个第一聚类簇对多个第二聚类簇进行逐行更新时，可以使用变异系数的相关技术或者使用离群点检测技术，基于多个第一聚类簇对多个第二聚类簇进行逐行更新，其中，可以基于降维对象数据，使用离群点检测技术，基于多个第一聚类簇对多个第二聚类簇进行逐行更新。

需要说明的是，图5所示的聚类处理方法与步骤201至步骤203的实现原理相同，可以见步骤201至步骤203的相关描述，在此不在赘述。

本申请实施例中，可以按照图5所示的聚类处理方法，对任一个细胞数据集进行多次的更新处理，并计算每一次的更新处理中的“多个更新后的第一聚类簇”的聚类评价指标。其中，聚类评价指标可以为调整兰德指数(Adjusted Rand Index，ARI)、归一化互信息(Normalized Mutual Information，NMI)和“更新前后，相同样本的比例”。其中，“更新前后，相同样本的比例”是指更新前与更新后，细胞数据对应的第一聚类簇未发生改变的细胞数据在细胞数据集中的占比。

如图6所示，图6是本申请实施例提供的一种数据集与聚类评价指标的示意图。图6包括(a)至(d)四个子图，每一个子图的横坐标为更新次数，纵坐标为实际数据。其中，(a)示出了猕猴细胞数据集的聚类评价指标，(b)示出了单核细胞数据集的聚类评价指标，(c)示出了老鼠细胞数据集的聚类评价指标，(d)示出了胰岛细胞数据集的聚类评价指标。

(a)至(d)中的每一个子图均包括调整兰德指数的趋势线、归一化互信息的趋势线和“更新前后，相同样本的比例”的趋势线。由(a)至(d)可以看出，随着更新次数的增加，调整兰德指数先增大再趋于平缓，归一化互信息也是先增大再趋于平缓，“更新前后，相同样本的比例”也是先增大在趋于平缓。调整兰德指数、归一化互信息以及“更新前后，相同样本的比例”均是值越大表明聚类结果越准确，由图6可以得出：随着更新次数的增加，聚类结果也越准确。

由(a)可以看出，第二次的更新处理和第三次的更新处理各自所对应的调整兰德指数、归一化互信息和“更新前后，相同样本的比例”相差不大。由(b)可以看出，第三次的更新处理和第四次的更新处理各自所对应的调整兰德指数、归一化互信息和“更新前后，相同样本的比例”相差不大。由(c)可以看出，第四次的更新处理和第五次的更新处理各自所对应的调整兰德指数、归一化互信息和“更新前后，相同样本的比例”相差不大。由(d)可以看出，第三次的更新处理和第四次的更新处理各自所对应的调整兰德指数、归一化互信息和“更新前后，相同样本的比例”相差不大。因此，目标次数可以为四次或者五次，也就是说，第四次或者第五次的更新处理得到的多个更新后的第一聚类簇可以作为目标聚类结果。

可选地，还可以采用其他方法对多个第一聚类簇和多个第二聚类簇进行聚类处理。示例性的，其他方法可以为来自集成的单细胞聚合聚类(Single-cell AggregatedFrom Ensemble Clustering，SAFE-Clustering)方法(以下将简称SAFE方法)。SAFE方法是将多个第一聚类簇和多个第二聚类簇拼接到一个统计表格中，基于图分割的思路进行重新聚类，得到目标聚类结果，本质上是通过分析细胞数据之间的邻里关系实现重新聚类。

本申请实施例中，对于猕猴细胞数据集、单核细胞数据集、老鼠细胞数据集和胰岛细胞数据集中的每一个细胞数据集，可以基于Leiden算法对该细胞数据集进行聚类处理得到聚类结果(即上文提及的多个第一聚类簇)，并基于DESC算法对该细胞数据集进行聚类处理得到聚类结果(即上文提及的多个第二聚类簇)。之后，基于图5所示的聚类处理方法(以下简称本申请实施例的方法)对多个第一聚类簇和多个第二聚类簇进行聚类处理得到聚类结果(即上文提及的目标聚类结果)，并基于SAFE方法对多个第一聚类簇和多个第二聚类簇进行聚类处理得到聚类结果。

通过Leiden算法、DESC算法、本申请实施例的方法和SAFE方法，分别得到猕猴细胞数据集的四个聚类结果、单核细胞数据集的四个聚类结果、老鼠细胞数据集的四个聚类结果和胰岛细胞数据集的四个聚类结果，之后，计算每一个聚类结果的调整兰德指数和归一化互信息。本申请实施例的方法在调整兰德指数上与Leiden算法、DESC算法、SAFE方法相比，调整兰德指数分别提高了95.8％、73.2％和77.6％，本申请实施例的方法在归一化互信息上与Leiden算法、DESC算法、SAFE方法相比，归一化互信息分别提高了15.8％、12.2％和15.9％。

如图7所示，图7是本申请实施例提供的一种不同方法对应的聚类评价指标的示意图。由图7可以明显看出，对于猕猴细胞数据集、单核细胞数据集、老鼠细胞数据集和胰岛细胞数据集中的每一个细胞数据集，本申请实施例的方法对应的调整兰德指数和归一化互信息均高于Leiden算法对应的调整兰德指数和归一化互信息，且高于DESC算法对应的调整兰德指数和归一化互信息，以及高于SAFE方法对应的调整兰德指数和归一化互信息。由此可知，通过本申请实施例的方法得到的聚类结果的准确性要高于通过Leiden算法、DESC算法以及SAFE方法得到的聚类结果的准确性。

本申请实施例还提供了使用Leiden算法、DESC算法、本申请实施例的方法以及SAFE方法，分别对猕猴细胞数据集进行聚类处理后得到的聚类结果图，并提供了猕猴细胞数据集的实际聚类结果。如图8所示，图8是本申请实施例提供的一种猕猴细胞数据集的聚类结果示意图，图8中包括Leiden算法对应的猕猴细胞数据集的聚类结果(其对应的效果图如图15所示)、DESC算法对应的猕猴细胞数据集的聚类结果(其对应的效果图如图16所示)、本申请实施例的方法对应的猕猴细胞数据集的聚类结果(其对应的效果图如图17所示)、SAFE方法对应的猕猴细胞数据集的聚类结果(其对应的效果图如图18所示)以及猕猴细胞数据集的实际聚类结果(其对应的效果图如图19所示)，其中，图中的数字表示聚类簇的簇标识。由图8可以明显看出，本申请实施例的方法对猕猴细胞数据集的聚类结果与猕猴细胞数据集的实际聚类结果较为接近，而Leiden算法、DESC算法以及SAFE方法对猕猴细胞数据集的聚类结果与猕猴细胞数据集的实际聚类结果均相差较大，说明本申请实施例的方法的聚类结果更准确。

本申请实施例还提供了使用Leiden算法、DESC算法、本申请实施例的方法以及SAFE方法，分别对单核细胞数据集进行聚类处理后得到的聚类结果图，并提供了单核细胞数据集的实际聚类结果。如图9所示，图9是本申请实施例提供的一种单核细胞数据集的聚类结果示意图，图9中包括Leiden算法对应的单核细胞数据集的聚类结果(其对应的效果图如图20所示)、DESC算法对应的单核细胞数据集的聚类结果(其对应的效果图如图21所示)、本申请实施例的方法对应的单核细胞数据集的聚类结果(其对应的效果图如图22所示)、SAFE方法对应的单核细胞数据集的聚类结果(其对应的效果图如图23所示)以及单核细胞数据集的实际聚类结果(其对应的效果图如图24所示)，其中，图中的数字表示聚类簇的簇标识。由图9可以明显看出，本申请实施例的方法对单核细胞数据集的聚类结果与单核细胞数据集的实际聚类结果较为接近，而Leiden算法、DESC算法以及SAFE方法对单核细胞数据集的聚类结果与单核细胞数据集的实际聚类结果均相差较大，说明本申请实施例的方法的聚类结果更准确。

本申请实施例还提供了使用Leiden算法、DESC算法、本申请实施例的方法以及SAFE方法，分别对老鼠细胞数据集进行聚类处理后得到的聚类结果图，并提供了老鼠细胞数据集的实际聚类结果。如图10所示，图10是本申请实施例提供的一种老鼠细胞数据集的聚类结果示意图，图10中包括Leiden算法对应的老鼠细胞数据集的聚类结果(其对应的效果图如图25所示)、DESC算法对应的老鼠细胞数据集的聚类结果(其对应的效果图如图26所示)、本申请实施例的方法对应的老鼠细胞数据集的聚类结果(其对应的效果图如图27所示)、SAFE方法对应的老鼠细胞数据集的聚类结果(其对应的效果图如图28所示)以及老鼠细胞数据集的实际聚类结果(其对应的效果图如图29所示)，其中，图中的数字表示聚类簇的簇标识。由图10可以明显看出，本申请实施例的方法对老鼠细胞数据集的聚类结果与老鼠细胞数据集的实际聚类结果较为接近，而Leiden算法、DESC算法以及SAFE方法对老鼠细胞数据集的聚类结果与老鼠细胞数据集的实际聚类结果均相差较大，说明本申请实施例的方法的聚类结果更准确。

本申请实施例还提供了使用Leiden算法、DESC算法、本申请实施例的方法以及SAFE方法，分别对胰岛细胞数据集进行聚类处理后得到的聚类结果图，并提供了胰岛细胞数据集的实际聚类结果。如图11所示，图11是本申请实施例提供的一种胰岛细胞数据集的聚类结果示意图，图11中包括Leiden算法对应的胰岛细胞数据集的聚类结果(其对应的效果图如图30所示)、DESC算法对应的胰岛细胞数据集的聚类结果(其对应的效果图如图31所示)、本申请实施例的方法对应的胰岛细胞数据集的聚类结果(其对应的效果图如图32所示)、SAFE方法对应的胰岛细胞数据集的聚类结果(其对应的效果图如图33所示)以及胰岛细胞数据集的实际聚类结果(其对应的效果图如图34所示)，其中，图中的数字表示聚类簇的簇标识。由图11可以明显看出，本申请实施例的方法对胰岛细胞数据集的聚类结果与胰岛细胞数据集的实际聚类结果较为接近，而Leiden算法、DESC算法以及SAFE方法对胰岛细胞数据集的聚类结果与胰岛细胞数据集的实际聚类结果均相差较大，说明本申请实施例的方法的聚类结果更准确。

图12所示为本申请实施例提供的一种聚类处理装置的结构示意图，如图12所示，该装置包括：

获取模块1201，用于获取第一聚类簇集合和第二聚类簇集合，第一聚类簇集合和第二聚类簇集合中的目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，目标聚类簇集合为第一聚类簇集合和第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；

更新模块1202，用于基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合；

确定模块1203，用于响应于满足目标条件，将第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，更新模块1202，还用于响应于不满足目标条件，基于第二聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合；

确定模块1203，还用于响应于满足目标条件，将第四聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，更新模块1202，用于基于第一聚类簇集合对第二聚类簇集合进行更新处理，得到集合第五聚类簇集合；基于第五聚类簇集合对第三聚类簇集合进行更新处理，得到第四聚类簇集合。

在一种可能的实现方式中，确定模块1203，用于响应于第三聚类簇集合与第一聚类簇集合相同，则将第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，确定模块1203，用于响应于当前的更新次数达到目标次数，则将第三聚类簇集合作为目标聚类结果。

在一种可能的实现方式中，第一聚类簇集合包括多个第一聚类簇，第二聚类簇集合包括多个第二聚类簇，第三聚类簇集合包括多个第三聚类簇；

更新模块1202，用于对于任一个第二聚类簇，基于任一个第二聚类簇中各个对象数据所属的第一聚类簇，确定任一个第二聚类簇的变异系数，任一个第二聚类簇的变异系数用于表征任一个第二聚类簇中各个对象数据的离散程度；基于各个第二聚类簇的变异系数对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

在一种可能的实现方式中，更新模块1202，用于对于任一个第二聚类簇，响应于任一个第二聚类簇的变异系数大于目标变异系数，则从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇；确定任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；将任一个第二聚类簇中不属于一个第三聚类簇的对象数据，添加至一个第三聚类簇中。

在一种可能的实现方式中，更新模块1202，用于对于任一个第二聚类簇，响应于任一个第二聚类簇的变异系数不大于目标变异系数，将任一个第二聚类簇中各个对象数据所属的第一聚类簇确定为第三聚类簇。

在一种可能的实现方式中，第一聚类簇集合包括多个第一聚类簇，第二聚类簇集合包括多个第二聚类簇，第三聚类簇集合包括多个第三聚类簇；

更新模块1202，用于对于任一个第二聚类簇，对任一个第二聚类簇中的各个对象数据进行离群点检测处理，得到任一个第二聚类簇中各个对象数据的离群点检测结果；基于各个第二聚类簇中各个对象数据的离群点检测结果对多个第一聚类簇进行更新处理，得到多个第三聚类簇。

在一种可能的实现方式中，更新模块1202，用于对于任一个第二聚类簇，响应于任一个第二聚类簇中的各个对象数据中存在第一对象数据，则从多个第一聚类簇中确定任一个第二聚类簇对应的第一聚类簇，第一对象数据的离群点检测结果为非离群点对象数据；确定任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；响应于第一对象数据不属于一个第三聚类簇，将第一对象数据添加至一个第三聚类簇中。

在一种可能的实现方式中，更新模块1202，用于对于任一个第二聚类簇，响应于任一个第二聚类簇中的各个对象数据中存在第二对象数据，确定一个第二对象数据所属的第一聚类簇为一个第三聚类簇，第二对象数据的离群点检测结果为离群点对象数据。

在一种可能的实现方式中，更新模块1202，用于对任一个第二聚类簇中的各个对象数据进行降维处理，得到各个降维对象数据；对各个降维对象数据进行离群点检测处理，得到任一个第二聚类簇中各个对象数据的离群点检测结果。

在一种可能的实现方式中，更新模块1202，用于基于多个第一聚类簇和多个第二聚类簇确定交叉表，交叉表的一行数据表征一个第一聚类簇中的各个对象数据，交叉表的一列数据表征一个第二聚类簇中的各个对象数据；基于交叉表从多个第一聚类簇中确定任一个第二聚类簇所对应的第一聚类簇。

在一种可能的实现方式中，交叉表中包括多个非零数据，非零数据表征非零数据所在行对应的第一聚类簇和非零数据所在列对应的第二聚类簇包含相同对象数据的数量；

更新模块1202，用于从交叉表中任一个第二聚类簇对应的列所包含的各个非零数据中，确定最大非零数据；将最大非零数据所在行对应的第一聚类簇，确定为任一个第二聚类簇对应的第一聚类簇。

在一种可能的实现方式中，对象数据为细胞的基因表达矩阵，第一聚类簇集合对应的聚类结果是基于莱顿算法对多个细胞的基因表达矩阵进行聚类处理得到的，第二聚类簇集合对应的聚类结果是基于深度嵌入单细胞聚类算法对多个细胞的基因表达矩阵进行聚类处理得到的。

上述装置第一聚类簇集合和第二聚类簇集合中的至少一个为目标聚类簇集合，目标聚类簇集合为对目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，实现了更新目标聚类簇集合对应的聚类结果，之后，基于第二聚类簇集合对第一聚类簇集合进行更新处理，得到第三聚类簇集合，以在满足目标条件时，将第三聚类簇集合作为目标聚类结果，且不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的，实现了通过多次更新融合第一聚类算法和第二聚类算法，提高聚类结果的准确性。

应理解的是，上述图12提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图13示出了本申请一个示例性实施例提供的终端设备1300的结构框图。该终端设备1300可以是便携式移动终端，比如：智能手机、平板电脑、MP3(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端设备1300还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端设备1300包括有：处理器1301和存储器1302。

处理器1301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1301可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1301所执行以实现本申请中方法实施例提供的聚类处理方法。

在一些实施例中，终端设备1300还可选包括有：外围设备接口1303和至少一个外围设备。处理器1301、存储器1302和外围设备接口1303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1303相连。具体地，外围设备包括：射频电路1304、显示屏1305、摄像头组件1306、音频电路1307、定位组件1308和电源1309中的至少一种。

外围设备接口1303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1301和存储器1302。在一些实施例中，处理器1301、存储器1302和外围设备接口1303被集成在同一芯片或电路板上；在一些其他实施例中，处理器1301、存储器1302和外围设备接口1303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1305是触摸显示屏时，显示屏1305还具有采集在显示屏1305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1301进行处理。此时，显示屏1305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1305可以为一个，设置在终端设备1300的前面板；在另一些实施例中，显示屏1305可以为至少两个，分别设置在终端设备1300的不同表面或呈折叠设计；在另一些实施例中，显示屏1305可以是柔性显示屏，设置在终端设备1300的弯曲表面上或折叠面上。甚至，显示屏1305还可以设置成非矩形的不规则图形，也即异形屏。显示屏1305可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。

摄像头组件1306用于采集图像或视频。可选地，摄像头组件1306包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1301进行处理，或者输入至射频电路1304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端设备1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1301或射频电路1304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1307还可以包括耳机插孔。

定位组件1308用于定位终端设备1300的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件1308可以是基于美国的GPS(Global Positioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源1309用于为终端设备1300中的各个组件进行供电。电源1309可以是交流电、直流电、一次性电池或可充电电池。当电源1309包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端设备1300还包括有一个或多个传感器1310。该一个或多个传感器1310包括但不限于：加速度传感器1311、陀螺仪传感器1312、压力传感器1313、指纹传感器1314、光学传感器1315以及接近传感器1316。

加速度传感器1311可以检测以终端设备1300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1311可以用于检测重力加速度在三个坐标轴上的分量。处理器1301可以根据加速度传感器1311采集的重力加速度信号，控制显示屏1305以横向视图或纵向视图进行用户界面的显示。加速度传感器1311还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1312可以检测终端设备1300的机体方向及转动角度，陀螺仪传感器1312可以与加速度传感器1311协同采集用户对终端设备1300的3D动作。处理器1301根据陀螺仪传感器1312采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1313可以设置在终端设备1300的侧边框和/或显示屏1305的下层。当压力传感器1313设置在终端设备1300的侧边框时，可以检测用户对终端设备1300的握持信号，由处理器1301根据压力传感器1313采集的握持信号进行左右手识别或快捷操作。当压力传感器1313设置在显示屏1305的下层时，由处理器1301根据用户对显示屏1305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器1314用于采集用户的指纹，由处理器1301根据指纹传感器1314采集到的指纹识别用户的身份，或者，由指纹传感器1314根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1301授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1314可以被设置在终端设备1300的正面、背面或侧面。当终端设备1300上设置有物理按键或厂商Logo时，指纹传感器1314可以与物理按键或厂商Logo集成在一起。

光学传感器1315用于采集环境光强度。在一个实施例中，处理器1301可以根据光学传感器1315采集的环境光强度，控制显示屏1305的显示亮度。具体地，当环境光强度较高时，调高显示屏1305的显示亮度；当环境光强度较低时，调低显示屏1305的显示亮度。在另一个实施例中，处理器1301还可以根据光学传感器1315采集的环境光强度，动态调整摄像头组件1306的拍摄参数。

接近传感器1316，也称距离传感器，通常设置在终端设备1300的前面板。接近传感器1316用于采集用户与终端设备1300的正面之间的距离。在一个实施例中，当接近传感器1316检测到用户与终端设备1300的正面之间的距离逐渐变小时，由处理器1301控制显示屏1305从亮屏状态切换为息屏状态；当接近传感器1316检测到用户与终端设备1300的正面之间的距离逐渐变大时，由处理器1301控制显示屏1305从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图13中示出的结构并不构成对终端设备1300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图14为本申请实施例提供的服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器1401和一个或多个的存储器1402，其中，该一个或多个存储器1402中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器1401加载并执行以实现上述各个方法实施例提供的聚类处理方法，示例性的，处理器1401为CPU。当然，该服务器1400还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器1400还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以使电子设备实现上述任一种聚类处理方法。

可选地，上述计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-OnlyMemory，CD-ROM)、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品中存储有至少一条计算机指令，该至少一条计算机指令由处理器加载并执行，以使计算机实现上述任一种聚类处理方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (19)

1.一种聚类处理方法，其特征在于，所述方法包括：

获取第一聚类簇集合和第二聚类簇集合，所述第一聚类簇集合和所述第二聚类簇集合中的目标聚类簇集合为对所述目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，所述目标聚类簇集合为所述第一聚类簇集合和所述第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；

基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合；

响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合之后，还包括：

响应于不满足所述目标条件，基于所述第二聚类簇集合对所述第三聚类簇集合进行更新处理，得到第四聚类簇集合；

响应于满足所述目标条件，将所述第四聚类簇集合作为所述目标聚类结果。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第二聚类簇集合对所述第三聚类簇集合进行更新处理，得到第四聚类簇集合，包括：

基于所述第一聚类簇集合对所述第二聚类簇集合进行更新处理，得到第五聚类簇集合；

基于所述第五聚类簇集合对所述第三聚类簇集合进行更新处理，得到所述第四聚类簇集合。

4.根据权利要求1所述的方法，其特征在于，所述响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果，包括：

响应于所述第三聚类簇集合与所述第一聚类簇集合相同，则将所述第三聚类簇集合作为目标聚类结果。

5.根据权利要求1所述的方法，其特征在于，所述响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果，包括：

响应于当前的更新次数达到目标次数，则将所述第三聚类簇集合作为目标聚类结果。

6.根据权利要求1至5任一所述的方法，其特征在于，所述第一聚类簇集合包括多个第一聚类簇，所述第二聚类簇集合包括多个第二聚类簇，所述第三聚类簇集合包括多个第三聚类簇；

所述基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合，包括：

对于任一个第二聚类簇，基于所述任一个第二聚类簇中各个对象数据所属的第一聚类簇，确定所述任一个第二聚类簇的变异系数，所述任一个第二聚类簇的变异系数用于表征所述任一个第二聚类簇中各个对象数据的离散程度；

基于各个第二聚类簇的变异系数对所述多个第一聚类簇进行更新处理，得到所述多个第三聚类簇。

7.根据权利要求6所述的方法，其特征在于，所述基于各个第二聚类簇的变异系数对所述多个第一聚类簇进行更新处理，得到所述多个第三聚类簇，包括：

对于任一个第二聚类簇，响应于所述任一个第二聚类簇的变异系数大于目标变异系数，则从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇；

确定所述任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；

将所述任一个第二聚类簇中不属于所述一个第三聚类簇的对象数据，添加至所述一个第三聚类簇中。

8.根据权利要求6所述的方法，其特征在于，所述基于各个第二聚类簇的变异系数对所述多个第一聚类簇进行更新处理，得到所述多个第三聚类簇，包括：

对于任一个第二聚类簇，响应于所述任一个第二聚类簇的变异系数不大于目标变异系数，将所述任一个第二聚类簇中各个对象数据所属的第一聚类簇确定为第三聚类簇。

9.根据权利要求1至5任一所述的方法，其特征在于，所述第一聚类簇集合包括多个第一聚类簇，所述第二聚类簇集合包括多个第二聚类簇，所述第三聚类簇集合包括多个第三聚类簇；

所述基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合，包括：

对于任一个第二聚类簇，对所述任一个第二聚类簇中的各个对象数据进行离群点检测处理，得到所述任一个第二聚类簇中各个对象数据的离群点检测结果；

基于各个第二聚类簇中各个对象数据的离群点检测结果对所述多个第一聚类簇进行更新处理，得到多个第三聚类簇。

10.根据权利要求9所述的方法，其特征在于，所述基于各个第二聚类簇中各个对象数据的离群点检测结果对所述多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：

对于任一个第二聚类簇，响应于所述任一个第二聚类簇中的各个对象数据中存在第一对象数据，则从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇，所述第一对象数据的离群点检测结果为非离群点对象数据；

确定所述任一个第二聚类簇对应的第一聚类簇为一个第三聚类簇；

响应于所述第一对象数据不属于所述一个第三聚类簇，将所述第一对象数据添加至所述一个第三聚类簇中。

11.根据权利要求9所述的方法，其特征在于，所述基于各个第二聚类簇中各个对象数据的离群点检测结果对所述多个第一聚类簇进行更新处理，得到多个第三聚类簇，包括：

对于任一个第二聚类簇，响应于所述任一个第二聚类簇中的各个对象数据中存在第二对象数据，确定一个第二对象数据所属的第一聚类簇为一个第三聚类簇，所述第二对象数据的离群点检测结果为离群点对象数据。

12.根据权利要求9所述的方法，其特征在于，所述对所述任一个第二聚类簇中的各个对象数据进行离群点检测处理，得到所述任一个第二聚类簇中各个对象数据的离群点检测结果，包括：

对所述任一个第二聚类簇中的各个对象数据进行降维处理，得到各个降维对象数据；

对所述各个降维对象数据进行离群点检测处理，得到所述任一个第二聚类簇中各个对象数据的离群点检测结果。

13.根据权利要求7或10所述的方法，其特征在于，所述从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇，包括：

基于所述多个第一聚类簇和所述多个第二聚类簇确定交叉表，所述交叉表的一行数据表征一个第一聚类簇中的各个对象数据，所述交叉表的一列数据表征一个第二聚类簇中的各个对象数据；

基于所述交叉表从所述多个第一聚类簇中确定所述任一个第二聚类簇所对应的第一聚类簇。

14.根据权利要求13所述的方法，其特征在于，所述交叉表中包括多个非零数据，所述非零数据表征所述非零数据所在行对应的第一聚类簇和所述非零数据所在列对应的第二聚类簇包含相同对象数据的数量；

所述基于所述交叉表从所述多个第一聚类簇中确定所述任一个第二聚类簇对应的第一聚类簇，包括：

从所述交叉表中所述任一个第二聚类簇对应的列所包含的各个非零数据中，确定最大非零数据；

将所述最大非零数据所在行对应的第一聚类簇，确定为所述任一个第二聚类簇对应的第一聚类簇。

15.根据权利要求1至5任一所述的方法，其特征在于，所述对象数据为细胞的基因表达矩阵，所述第一聚类簇集合对应的聚类结果是基于莱顿算法对多个细胞的基因表达矩阵进行聚类处理得到的，所述第二聚类簇集合对应的聚类结果是基于深度嵌入单细胞聚类算法对所述多个细胞的基因表达矩阵进行聚类处理得到的。

16.一种聚类处理装置，其特征在于，所述装置包括：

获取模块，用于获取第一聚类簇集合和第二聚类簇集合，所述第一聚类簇集合和所述第二聚类簇集合中的目标聚类簇集合为对所述目标聚类簇集合对应的聚类结果进行至少一次更新处理得到的，所述目标聚类簇集合为所述第一聚类簇集合和所述第二聚类簇集合中的至少一个，不同聚类簇集合对应的聚类结果是基于不同的聚类算法对多个对象数据进行聚类处理得到的；

更新模块，用于基于所述第二聚类簇集合对所述第一聚类簇集合进行更新处理，得到第三聚类簇集合；

确定模块，用于响应于满足目标条件，将所述第三聚类簇集合作为目标聚类结果。

17.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使所述电子设备实现如权利要求1至15任一所述的聚类处理方法。

18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以使计算机实现如权利要求1至15任一所述的聚类处理方法。

19.一种计算机程序产品，其特征在于，所述计算机程序产品中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行，以使计算机实现如权利要求1至15任一所述的聚类处理方法。

Images