در محیطهای امروزی مبتنی بر داده، اطلاعات اغلب از منابع متنوعی گردآوری میشوند و میتوانند شامل دیدگاهها یا بازنماییهای متفاوتی باشند که از آنها با عنوان دادههای چندنما یاد میشود. با رشد تصاعدی حجم این نوع دادهها، برچسبگذاری دستی آنها بهطور فزایندهای دشوار، زمانبر و غیرعملی شده است. ازاینرو، برای تحلیل و گروهبندی چنین دادههایی از یک روش یادگیری بدون نظارت به نام خوشهبندی استفاده میشود. این روش نمونههای مشابه را بهگونهای در قالب خوشهها سازماندهی میکند که شباهت درونخوشهای بیشینه و شباهت بینخوشهای کمینه شود. با این حال، اغلب الگوریتمهای سنتی خوشهبندی برای دادههای تکنما طراحی شدهاند و در مواجهه با دادههای چندنما کارایی مطلوبی ندارند. بهمنظور رفع این محدودیت، خوشهبندی چندنما( 1)MVCتوسعه یافته است تا بتواند دادههای چندنما را بهصورت مؤثر دستهبندی کند. خوشهبندی چندنما با بهرهگیری از اطلاعات مکمل موجود در نماهای مختلف، عملکرد خوشهبندی را بهبود میبخشد. بیشتر روشهای موجود، فرآیند MVCرا با انتخاب آگاهانهترین نما که از آن با عنوان «نمای قابل اعتماد» یاد میشود هدایت میکنند و از آن بهعنوان سیگنال راهنما بهره میگیرند. ازاینرو، نقش نمای قابل اعتماد در MVCبسیار حیاتی است. رویکردهای سنتی معمولاً این نما را با استفاده از معیارهایی مانند شاخص کالینسکی هاراباس یا ضریب سیلوئت شناسایی میکنند. هرچند این روشها ساده و از نظر محاسباتی کارآمد هستند، اما ممکن است اطلاعات غنی و مکمل توزیعشده در میان تمام نماها را نادیده بگیرند که این امر در نهایت میتواند به کاهش کیفیت خوشهبندی منجر شود
