基于二類分解的多標記學習研究.pdf

1、多標記學習是指一個樣本同時具有多個相關標記的學習范式。真實世界的對象往往具有多種語義信息，而多標記學習范式能夠更好地處理這種多語義的情景，所以吸引了眾多研究者的關注。二類分解將多標記學習問題轉化為多個二類分類問題，是求解多標記學習問題的常用策略之一。本文圍繞二類分解多標記學習開展研究，主要做了三方面工作:
　　首先，標記相關性挖掘是多標記學習的重要研究課題。現(xiàn)有的二類分解多標記學習算法大都采用全階或隨機的方式利用標記相關性，缺乏對

2、于標記相關性利用的有效控制。為此，我們提出了一種基于標記過濾的二類分解多標記學習算法CTRL，該算法針對每個類別標記，基于過濾機制來控制相關標記的選擇與利用。
　　其次，類別不平衡問題對二類分解多標記學習算法的性能有很大影響。多標記學習范式的類別標記空間往往很大，從而導致更加嚴重的類別不平衡問題。為此，我們提出了一種面向類別不平衡的二類分解多標記學習算法COCOA，通過構建有效的多標記數(shù)據分解機制，把多標記問題轉化為多個三類分類問

3、題，并在處理類別不平衡問題的同時，有效利用標記間的相關性。
　　再次，在真實世界問題中，一個樣本具有的多個相關標記對該樣本而言可能具有不同的重要性。然而，標記重要度信息隱含于多標記樣本中，學習算法無法直接獲取。為此，我們提出了一種基于標記重要度的二類分解多標記學習算法LIABLE，通過利用標記傳播技術學習隱含于多標記樣本中的標記重要度信息，進而輔助算法獲得更好的分類性能。
　　本文共分為五章。第一章主要介紹基于二類分解的多標