先前的研究表明，诸如非负矩阵因式分解（NMF）和概念因式分解（CF）之类的矩阵因式分解技术在图像处理和数据表示方面取得了令人印象深刻的结果。 但是，常规CF及其具有单层分解的变体无法捕获数据的固有结构。 在本文中，我们提出了一种新颖的顺序因式分解方法，即图正则化多层概念因式分解（GMCF）进行聚类。 GMCF是一个多阶段过程，它在多个层中迭代地分解观察矩阵。 此外，GMCF还在每层中都包含了图拉普拉斯正则化，以有效保留数据的多种结构。 开发了一种有效的迭代更新方案来优化GMCF。 严格证明了该算