基于樣例及標(biāo)記相關(guān)性的多標(biāo)記學(xué)習(xí)算法研究.pdf

1、多標(biāo)記學(xué)習(xí)作為一種解決多義性對(duì)象學(xué)習(xí)建模的框架，其研究成果已經(jīng)廣泛應(yīng)用到諸如文本分類、網(wǎng)頁分類、場(chǎng)景分類等分類問題中，已然成為了機(jī)器學(xué)習(xí)研究領(lǐng)域的一個(gè)熱點(diǎn)問題。針對(duì)多標(biāo)記分類問題，目前已經(jīng)涌現(xiàn)出了大量的學(xué)習(xí)算法，不管是基于k近鄰的方法，還是應(yīng)用支持向量機(jī)的方法，以及運(yùn)用決策樹的方法等，都可以將其歸為兩大類：算法適應(yīng)法（algorithm adaptation methods，簡(jiǎn)稱AAM）和問題轉(zhuǎn)換法（problem transforma

2、tion methods，簡(jiǎn)稱PTM）。顧名思義，算法擴(kuò)展法即在算法層面上解決多標(biāo)記分類問題。同樣地，問題轉(zhuǎn)換法則是從問題本身出發(fā)，把復(fù)雜的多標(biāo)記問題轉(zhuǎn)化成“二類分類”問題，繼而運(yùn)用簡(jiǎn)單易實(shí)現(xiàn)的單標(biāo)記學(xué)習(xí)算法去處理多標(biāo)記分類問題。
　　本文的緒論中簡(jiǎn)述了多標(biāo)記學(xué)習(xí)的研究背景及意義，然后對(duì)多標(biāo)記學(xué)習(xí)在國(guó)內(nèi)外的研究現(xiàn)狀進(jìn)行了詳細(xì)介紹；簡(jiǎn)要介紹了多標(biāo)記學(xué)習(xí)的理論基礎(chǔ)，包括多標(biāo)記學(xué)習(xí)問題定義，多標(biāo)記學(xué)習(xí)策略簡(jiǎn)介，以及多標(biāo)記學(xué)習(xí)中常用的評(píng)估

3、標(biāo)準(zhǔn)、多標(biāo)記學(xué)習(xí)中的典型算法、數(shù)據(jù)集等理論知識(shí)。多標(biāo)記分類問題的研究關(guān)鍵是如何有效利用訓(xùn)練好的分類器，將待分類樣例劃分到預(yù)先定義好的類別中，本文重點(diǎn)考察了多標(biāo)記分類過程中標(biāo)記相關(guān)性和屬性特征選擇這兩個(gè)方面，主要研究成果有：
　?。?）基于多標(biāo)記學(xué)習(xí)中存在的標(biāo)記相關(guān)性問題，提出一種基于鄰域粗糙集的多標(biāo)記分類改進(jìn)算法。研究者在多標(biāo)記學(xué)習(xí)中引入鄰域粗糙集模型，構(gòu)造了一個(gè)新的學(xué)習(xí)框架MLRS，運(yùn)用鄰域粗糙集找出給定示例的所有可能相關(guān)的標(biāo)簽

4、和排除所有不相關(guān)的標(biāo)簽，根據(jù)鄰域和不同標(biāo)記間的關(guān)系為樣例預(yù)測(cè)正確標(biāo)記范圍。但是，要是一個(gè)類在邊界區(qū)域中因?yàn)檎^少，導(dǎo)致該類在通過計(jì)算得到的近鄰中占據(jù)很小的比例，此時(shí)如果只看數(shù)量很容易造成錯(cuò)分。針對(duì)這個(gè)問題，本文對(duì)MLRS算法做了相應(yīng)的改進(jìn)，在邊界區(qū)域，除了考慮在訓(xùn)練樣例和各個(gè)不同類別的近鄰樣例之間計(jì)算歐式距離這個(gè)因素，還要考慮個(gè)數(shù)的問題，這兩者之間可以建立起一個(gè)映射關(guān)系，然后用該映射關(guān)系預(yù)測(cè)測(cè)試樣例類別標(biāo)記，實(shí)驗(yàn)表明，本文提出的方法能

5、較好地提高算法的分類性能。
　?。?）基于多標(biāo)記學(xué)習(xí)中存在的屬性特征選擇的問題，提出一種基于類屬屬性的多標(biāo)記局部加權(quán)分類算法。一個(gè)對(duì)象具有多種語義信息，是因?yàn)樵搶?duì)象同時(shí)含有描述這些語義的屬性。因此，對(duì)刻畫示例與標(biāo)記間關(guān)系的屬性進(jìn)行有效的轉(zhuǎn)換，將使多標(biāo)記學(xué)習(xí)過程更加可靠。LIFT算法是基于類屬屬性的多標(biāo)記學(xué)習(xí)方法，本文針對(duì)其不足提出了一種新的基于類屬屬性的多標(biāo)記局部加權(quán)分類算法 LIFT-LOCW，該算法通過加權(quán)的方法提高了原算法的