用于多标记学习的局部顺序分类器链算法.pdf

《用于多标记学习的局部顺序分类器链算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第30卷第9期计算机应用研究Vo1．30No．92013年9月ApplicationResearchofComputersSep．2013用于多标记学习的局部顺序分类器链算法邱继钊，计华，张化祥(1．山东师范大学信息科学与工程学院，济南250014；2．山东省分布式计算机软件新技术重点实验室，济南250014)摘要：标记间的相关性在分类问题中具有重要作用，目前有研究将标记相关性引入多标记学习，通过分类器链的形式将标记结果引入属性空间，为学习其他标记提供有用信息。分类器链中标记的预测顺序具有随机性，分类结果存在着很大的不确定性与不稳定性，且容易造成错误信息的传播。为此充分

2、考虑标记的局部分布特性，提出了一种局部顺序分类器链算法，解决分类器链中分类器顺序问题。实验表明，该算法性能优于其他常用多标记学习算法。关键词：多标记学习；标记相关性；分类器链；K一近邻中图分类号：TP391文献标志码：A文章编号：1001·3695(2013)09-2606—04doi：10．3969／j．issn．1001．3695．2013．09．011Locallyordinalclassifierchainsformulti—labellearningQIUJI—zhao。。，JIHua，ZHANGHua—xiang，(1．SchoolofInformation

3、Science＆Engineering，ShandongNormalUniversity，Jinan250014，China；2．ShandongProvincialKeyLaboratoryrNovelDistributedComputerSoftwareTechnology，Jinan250014，China)Abstract：Thecorrelationamongdifferentlabelsplaysanimportantroleinclassificationproblems，andrecentstudieshavetakenintoaccountlabelc

4、orelationduringmulti—labellearning．ThelabelinformationiSmarkedintotheattributespacethroughtheclassifierchainsandprovidesusefulinformationfortheotherlabelsduringtheclassificationprocess．Theclassifica—tionresultsareindeterminateandinstablebecauseoftherandomclassifierorderintheclassifiercha

5、in．Besides，itmaycausetopropagatetheerrorlabelinformation．Thispaperfullyconsiderdthelocaldistributionofinstancelabels，andproposedalocallyordinalclassifierchainalgorithm．Experimentalresultsshowthat，thenewalgorithmoutperformstheothercommonlyusedmulti—labelalgorithmsmostofthetime．Keywords：mu

6、lti-1abellearning；1abelcorelation；classifierchains；K-NN比标记集合中任意两个标记间的关系，建立m(m一1)／2个分0引言类器(m为标记集合中标记的总数)。每个分类器在两个标记间进行投票，然后组合所有的投票结果作为最终的多标记分类传统监督学习中，一个样例仅与一个类别标记相关联，这结果。若基础分类器的时间复杂度是0(n)，那么该算法的时类问题称为单标记分类问题。但在现实世界的分类问题中，一个样例可能同时具有多个不同的类别标记。例如，一幅图片可间复杂度为0(m(m一1)／2·n)，所以该算法在处理标记数目能因为含有多个语义

7、概念而被标记上不同的关键词，一个文档较多的数据时会变得比较困难。LP(1abelpowerset)是另一可能由于涉及不同的内容而具有多个不同的主题⋯。本文称种常用的问题转换方法。它将训练数据中的每种标记组合作这类问题为多标记分类问题。为一种新标记，通过这种方式将多标记数据转换为单标记数多标记学习已逐渐成为国际机器学习界一个新的研究热据。尽管该算法在一定程度上考虑了标记间的相关性，但该算点。在多标记学习中，一种最直接也是最常用的方法就是问题法仍有不足，即时间复杂度问题(指数型)和过拟合训练数据转换方法，通过将多标记分类问题转换为一个或者多个