多標簽分類中在線學習算法研究.pdf

1、在多標簽分類問題中，一個樣本可以同時屬于多個類別標簽，且樣本標簽之間不再相互排斥。目前，多標簽分類問題已在文本分類，自然場景分類和音樂情感標注等領(lǐng)域得到廣泛應(yīng)用，因此提出很多多標簽分類算法。近年來，多標簽分類算法大多采用批量學習的方式，它要求將整個訓練數(shù)據(jù)集全部讀入內(nèi)存且可以通過一次學習得到最終分類模型。但在實際應(yīng)用中，尤其對大規(guī)模數(shù)據(jù)集的分類問題，這種批量學習的方式，將會消耗大量的時間和空間資源。針對上述問題，本文基于在線學習理論，圍

2、繞大規(guī)模多標簽分類問題展開研究，提出了兩種多標簽在線分類算法。主要工作如下:
　　1.使用二類相關(guān)分解策略，結(jié)合已有的二類在線“被動-進攻”主動學習算法，提出基于分解策略的多標簽在線“被動-進攻”主動學習算法（MLPAA）。算法采用主動學習的方式查詢多標簽樣本信息，這樣不僅可以利用在線學習的方式不斷更新多標簽分類器模型，還利用主動學習的方式探索未標注樣本信息，減少人工標注代價和時間。在實驗中，根據(jù)五個多標簽評價準則，在八個多標簽數(shù)

3、據(jù)集上，將MLPAA算法與三個算法進行實驗比較。結(jié)果表明，MLPAA算法相對于MLRPE，MLPEA和MLRPA算法具有更好的分類性能。
　　2.基于標簽排序思想，改進多類在線“被動-進攻”分類算法，提出了考慮標簽相關(guān)性的多標簽在線“被動-進攻”分類算法(MLLRPA)。算法通過最大化多標簽樣本中相關(guān)標簽子集與不相關(guān)標簽子集之間的間隔，預測標簽排序?qū)Φ姆绞浇⑾嚓P(guān)標簽與不相關(guān)標簽的排序錯誤集合，根據(jù)錯誤集合的大小，進而更新分類器模