局部学习的半监督多标记分类算法

《局部学习的半监督多标记分类算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、JournalofComputerApplicationsISSN1001-90812012-12-01计算机应用，2012，32(12):3308－3310CODENJYIIDUhttp://www．joca．cn文章编号:1001－9081(2012)12－3308－03doi:10．3724/SP．J．1087．2012．03308基于局部学习的半监督多标记分类算法吕佳(重庆师范大学计算机与信息科学学院，重庆400047)(*通信作者电子邮箱lvjia@cqnu．edu．cn)摘要:针对在求解半监督多标记分类问

2、题时通常将其分解成若干个单标记半监督二类分类问题从而导致忽视类别之间内在联系的问题，提出基于局部学习的半监督多标记分类方法。该方法避开了多个单标记半监督二类分类问题的求解，采用“整体法”的研究思路，利用基于图的方法，引入基于样本的局部学习正则项和基于类别的拉普拉斯正则项，构建了问题的正则化框架。实验结果表明，所提算法具有较高的查全率和查准率。关键词:半监督学习;多标记分类问题;局部学习;标记;正则项中图分类号:TP391．4文献标志码:ASemi-supervisedmulti-labelclassification

3、algorithmbasedonlocallearning*LJia(CollegeofComputerandInformationSciences，ChongqingNormalUniversity，Chongqing400047，China)Abstract:Semi-supervisedmulti-labelclassificationproblemisusuallydecomposedintoasetofsingle-labelsemi-supervisedbinaryclassificationprobl

4、ems．However，itresultsintheignoranceoftheinnerrelationshipbetweenlabels．Asemi-supervisedmulti-labelclassificationalgorithmwaspresented，whichavoidedmultiplesingle-labelsemi-supervisedbinaryclassificationproblemsbutadoptedtheoverallapproachinthispaper．Onthebasisof

5、undirectedgraph，locallearningregularizerfordatapointsandLaplaceregularizerforlabelswereintroducedandregularizationframeworkoftheproblemwasconstructed．Theexperimentalresultshowstheproposedalgorithmhashigherprecisionandrecall．Keywords:semi-supervisedlearning;mult

6、i-labelclassificationproblem;locallearning;label;regularizer并且考虑了类与类之间的相关性，在训练样本数相对较少时0引言［6］分类效果也很好。陈钢等同时考虑无标记样本和类与类多标记学习起源于文本分类研究中遇到的歧义性问题，之间相关性两方面的内容，在训练样本和类标记上分别创建主要解决一个样本可以同时属于多个类别的问题。现实世界了无向图，构建了基于图的正则化框架。再通过求解［7］中，多标记学习问题普遍存在［1］，例如，在生物信息学中，一Sylvester方程来获得

7、无标记样本的标记。孔祥南等利用直个基因序列具有若干个功能，如“新陈代谢”、“蛋白质合成”推式多标记分类(Transductivemulti-labelclassification，TRAM)方法为每一个训练样本分配一组多标记，首先构造直等;在文本分类中，每篇文档可能同时属于多个主题，如“苹推式多标记学习的优化问题来估计类标记构成，接着推导出果”、“乔布斯”等;在场景分类中，每个场景图片可能对应于该优化问题的闭型解，最后运用一种有效的算法给未标记样多个类别，如“大海”、“沙滩”等。通常多标记分类问题的一本分配标记集。本

8、文以“整体法”来研究半监督多标记分类种直观的处理办法是把多标记分类问题转化为一组独立的二问题，利用局部学习来习得样本类标记，利用流形学习来考虑类分类问题，其中每一个二类分类问题对应一个标记，每一个类别与类别之间的相关性，提出了基于局部学习的半监督多样本的标记最终通过组合所有的二类分类问题的结果获［2］类分类算法，实验证明了算法的可行性和有效性。