多视图表征学习的发展历程是怎样的各自有什么代表的模型和方法？

多视图表征学习的发展历程可以大致分为以下几个阶段：

基于特征融合的多视图学习（2000年-2010年）

早期的多视图学习主要关注如何将不同视图的特征进行有机地融合，从而提高学习性能。代表性的模型包括多观察者矩阵分解（Multi-Observer Matrix Factorization，MOMF）和多线性主成分分析（Multi-Linear Principal Component Analysis，MPCA）等。

基于图模型的多视图学习（2010年-2015年）

2010年后，随着图模型在机器学习中的广泛应用，多视图学习开始向基于图模型的方向发展。代表性的模型包括多视图聚类（Multi-View Clustering，MVC）、多视图判别分析（Multi-View Discriminant Analysis，MVDA）和多视图嵌入学习（Multi-View Embedding Learning，MVEL）等。

基于深度学习的多视图学习（2015年至今）

近年来，随着深度学习在各个领域的广泛应用，多视图学习也开始向基于深度学习的方向发展。代表性的模型包括多视图卷积神经网络（Multi-View Convolutional Neural Network，MVCNN）、多视图自编码器（Multi-View Autoencoder，MVAE）和多视图图卷积网络（Multi-View Graph Convolutional Network，MVGNN）等。

总的来说，多视图表征学习的发展历程可以看作是从特征融合到图模型再到深度学习的演化过程，每个阶段都有代表性的模型和方法。未来，多视图学习还有很大的发展空间，特别是在深度学习的框架下，可以进一步提高多视图学习的性能和应用范围。