基于非負(fù)矩陣分解的多標(biāo)簽分類算法研究

1、碩士學(xué)位論文基于非負(fù)矩陣分解的多標(biāo)簽基于非負(fù)矩陣分解的多標(biāo)簽分類分類算法研究算法研究TheResearchonMultilabelClassificationAlgithmsViaNonnegativeMatrixFactization作者姓名：楊爍陶學(xué)科、專業(yè)：軟件工程學(xué)號(hào)：21417032指導(dǎo)教師：于紅完成日期：2017319大連理工大學(xué)DalianUniversityofTechnology萬(wàn)方數(shù)據(jù)大連理工大學(xué)碩士學(xué)位論文I摘要多

2、標(biāo)簽分類算法是機(jī)器學(xué)習(xí)中的一個(gè)重要方向。多標(biāo)簽分類算法可以用來(lái)解決同時(shí)具有多個(gè)標(biāo)簽的樣本數(shù)據(jù)的分類問(wèn)題以及排序問(wèn)題。其研究成果廣泛地應(yīng)用于各個(gè)領(lǐng)域如文本信息分類、圖像視頻的語(yǔ)義標(biāo)注、功能基因組等。相較于每個(gè)樣本只對(duì)應(yīng)一個(gè)類別標(biāo)簽的傳統(tǒng)單標(biāo)簽分類算法，多標(biāo)簽分類算法更能滿足實(shí)際應(yīng)用的需求。本文提出兩種解決多標(biāo)簽分類的方法MLNMF和iMLNMF，iMLNMF是MLNMF的擴(kuò)展算法，在原算法的基礎(chǔ)上變換了概率計(jì)算公式，使得算法在對(duì)大數(shù)據(jù)集處

3、理上效果更加明顯。目前已經(jīng)提出了若干多標(biāo)簽分類算法，這些方法均能對(duì)樣本點(diǎn)進(jìn)行多標(biāo)簽分類，然而如何更加高效的將樣本點(diǎn)與多個(gè)標(biāo)簽對(duì)應(yīng)，以及如何挖掘出樣本的特征與標(biāo)簽之間的直接對(duì)應(yīng)關(guān)系并加以利用依然沒有得到徹底的解決。MLNMF和iMLNMF算法均是利用非負(fù)矩陣分解來(lái)解決多標(biāo)簽分類問(wèn)題的。該方法相對(duì)于已提出的算法，既能保證多標(biāo)簽預(yù)測(cè)的準(zhǔn)確性，也能保證算法運(yùn)行時(shí)間上的高效性。MLNMF和iMLNMF算法通過(guò)挖掘樣本點(diǎn)的特征與標(biāo)簽之間的直接對(duì)應(yīng)關(guān)

4、系進(jìn)而得到標(biāo)簽概率預(yù)測(cè)模型（LPPM），接著通過(guò)決策樹算法為每個(gè)標(biāo)簽生成對(duì)應(yīng)的分類器。最后，利用LPPM模型和分類器為無(wú)標(biāo)簽樣本預(yù)測(cè)所對(duì)應(yīng)的多個(gè)標(biāo)簽。論文在多個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集和大數(shù)據(jù)集上對(duì)比了基于非負(fù)矩陣分解的分類算法與經(jīng)典分類算法實(shí)驗(yàn)結(jié)果表明，MLNMF和iMLNMF算法的效果要優(yōu)于或者接近于經(jīng)典算法并且在算法效率方面十分突出。因此，MLNMF和iMLNMF算法在多標(biāo)簽分類的實(shí)際需求中有著非常高的實(shí)用價(jià)值。關(guān)鍵詞：多標(biāo)簽分類；機(jī)器學(xué)習(xí)；非