频谱聚类包括两个不同的阶段：（a）从数据集中构造一个亲和图，以及（b）通过找到亲和图的最佳划分来聚类数据点。 本文的重点是第一步。 由于易于实现，现有的频谱聚类算法采用高斯函数来定义亲和图。 但是，高斯函数很难描述数据的固有结构，它必须指定缩放参数，其选择在频谱聚类中仍然是一个未解决的问题。 因此，我们从图分区的角度为光谱聚类提出了亲和图的新定义。 特别是，我们提出了两个一致性：平滑一致性和约束一致性，以便保持亲和图，然后在流形上的排序正则化框架中定义尊重这些一致性的亲和图。 同时，所提出的亲和