基于數據轉換與Co-training技術的多標記學習算法研究.pdf

1、多標記問題在現實世界的大量應用中普遍存在,現在已經成為機器學習和數據挖掘兩個相關領域的研究熱點。多標記學習的提出為多義性對象的復雜化問題提供了一種有效的解決方法,目前已存在大量的多標記學習算法,并在文本分類、生物信息學、自動視頻注釋、場景分類和許多其他領域廣泛應用。
　　然而,現在的解決多標記學習問題的方法側重于利用傳統(tǒng)的監(jiān)督學習框架,其做法通?？梢苑譃槿N:第一種是把多標記學習問題轉換為多個兩類分類問題,其中每個標記對應一個二分

2、類問題,這種方法適用于不是很明顯的范疇,在樣品豐富的情況下性能將是更好的,但更容易遇到標記樣本稀疏的問題;第二種是多標記學習問題轉化為標記順序問題,這種方法重點在于對標記之間進行正確的排序,但它需要額外的學習閾值函數來獲得相關標記的最終集合,但是通常比較難獲得這個閾值函數;第三種是標記之間的結構信息和多標記問題研究相結合的方法,這種方法在合理使用結構信息時,可實現很好的性能,但缺乏領域知識指導時,幾乎不知道如何使用結構信息較好。

3、　　基于以上方法,本文以提高分類精度為切入點,通過對多標記示例集的定義和提取,基于近鄰加權及多示例的多標記學習算法的提出,多標記與半監(jiān)督學習算法的結合,進行了為提高多標記學習算法精度的深入研究。
　　本文進行的主要研究工作和提出的創(chuàng)新點總結如下:
　　1、多標記學習中問題轉化的研究?，F有的多標記算法中存在將多標記問題轉化為多標記多示例問題的思想,這在一定程度上提高了多標記學習的分類性能,但在時間復雜度、分類精度等方面仍可以進

4、一步提高。引進KNN(K-Nearest Neighbor)和加權方法,對每一個可能存在的類別標記,確定集合中屬于這一類別標記的 K個近鄰樣例,近鄰給予加權再取平均后得到平均向量,樣本就轉化成數據包的形式,來保持數據整體分布的局部特性,提高分類的準確度。
　　2、基于數據集中存在的大量未標記樣例的多標記問題的研究。在現實世界的問題中,往往更容易獲得大量未標記數據,每個對象都具有一個以上的標記,這大大增加了獲得已標記數據的難度。因此