联合聚类已被成功应用于基因组表达、文本挖掘、协同过滤等领域［132⁃133，146⁃152］。通过联合聚类，可发现任意两种类型数据的关联，也就可推导出多种类型数据之间的关联。例如，基于图分割的联合聚类算法中，可在二分图中加入其他类型的节点，代表其他类型的数据，直接对多种类型的数据进行聚类［153］。

Slonim 等［154］将不同类型的对象作为不同的随机变量，提出一种基于统计分布的联合聚类方法。该方法将行和列两种不同类型的对象同时进行聚类，并在此基础上提出了信息瓶颈的概念。Dhillon 等［132，146］提出了以Kullback⁃Leibler（KL）距离最小为标准的二部图协同谱图划分的联合聚类算法。Banerjee 等［147］提出了一种同时考虑类别内部均值，以及行与列向量全局均值的联合聚类方法。以得到最好的矩阵逼近，该方法采用任意的Bregman 散度作为目标函数。(www.daowen.com)

基于矩阵的联合聚类算法是利用对象和属性之间的关联矩阵，将行和列一起进行聚类，即把矩阵分割成矩阵子块，以子块方差作为目标函数，目标函数越小，聚类的效果越好。Long 等［133］提出了将关系矩阵使用块值分解的三元组矩阵分解联合聚类方法。Ding 等［141］提出了一个基于NMF 且类似于联合聚类方式的聚类方法。为了优化非负矩阵分解的问题，Chen 等［155］在NMF 分解的基础上增加正交约束，提出一种称为正交约束NMF 的方法，该方法可被看成一种软联合聚类方法。