基于K近鄰的多標簽學習方法研究.pdf

1、樣本分類一直是數據挖掘領域的研究熱點，傳統(tǒng)的樣本分類是單標簽分類，這類樣本只與單個標簽相關，然而現實生活中的樣本往往同時屬于多個范疇，對這類樣本的處理被稱為多標簽學習問題。由于多標簽數據的特殊性，使得傳統(tǒng)的分類方法無法直接對其進行處理，因此人們相繼提出了多種方法用于處理多標簽數據分類，這些方法總體來說可以分為兩類:基于問題轉化的方法與基于算法轉化的方法?；趩栴}轉化的方法將多標簽數據通過某種轉換策略轉換成單標簽數據，然后利用單標簽分類方

2、法來進行處理。基于算法轉化的方法則是通過改進已有的單標簽數據分類方法，使其能直接用于多標簽數據分類。
　　本文主要研究基于K近鄰多標簽學習方法，主要完成的工作內容如下:
　　1:對于已有的懶惰型多標簽學習方法:一種新型的多標記懶惰學習方法，該方法在構建樣本近鄰集時對于每個樣本都選取相同個數的近鄰點，這種取樣本近鄰點的方法沒有充分考慮樣本分布特點。本文針對這一缺點提出改進，將粒計算思想融合到該方法中，提出基于粒計算的多標簽懶惰

3、學習方法，該方法在構建樣本近鄰集時充分考慮樣本分布特點，通過粒度控制，動態(tài)選取不同樣本的近鄰點個數，使得構建的樣本近鄰集中的樣本具有較高的相似性，從而改進算法效果。在給出改進方法后，本文對改進方法與原方法進行了實驗對比，對比結果表明改進的方法在總體上要優(yōu)于原方法。
　　2:對于已有的基于隨機游走模型的多標簽學習方法:一種基于隨機游走模型的多標簽分類方法，該方法構建的隨機游走圖是將所有有相同標簽的樣本點都連接起來，導致隨機游走圖中邊

4、數過多，從而隨機游走達到收斂的過程較復雜，從而導致算法復雜性過高。本文將機器學習領域的隨機游走圖與K近鄰方法相結合，提出基于K近鄰與隨機游走模型的多標簽學習方法，該方法首先對訓練集中的每個樣本點找到其K個近鄰點，構建基于訓練集的KNN圖，然后基于每個測試樣本與已構建的KNN圖都構建一個基于KNN的隨機游走圖，在該圖上進行隨機游走過程，得到一個穩(wěn)定的概率分布向量，通過該向量得到該測試樣本擁有各個標簽的概率值，最后給出與該方法對應的閾值選擇