学习高维数据的稀疏表示是对数据建模的最新方法。 基于矩阵分解的技术，例如非负矩阵分解和概念分解（CF），在该领域已显示出巨大的优势，尤其对图像表示很有用。 它们都是线性学习问题，导致图像的稀疏表示。 但是，通过这些方法获得的稀疏性并不总是满足局部性条件。 例如，学习到的新的基向量可以相对远离原始数据。 因此，当将新的表示形式用于其他学习任务（例如分类和聚类）时，我们可能无法获得最佳性能。 在本文中，我们将局部性约束引入到传统CF中。 通过要求概念（基本矢量）尽可能接近原始数据点，每个数据可以由仅