基于K近鄰的多標(biāo)簽學(xué)習(xí)方法研究.pdf

1、樣本分類一直是數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)，傳統(tǒng)的樣本分類是單標(biāo)簽分類，這類樣本只與單個(gè)標(biāo)簽相關(guān)，然而現(xiàn)實(shí)生活中的樣本往往同時(shí)屬于多個(gè)范疇，對(duì)這類樣本的處理被稱為多標(biāo)簽學(xué)習(xí)問題。由于多標(biāo)簽數(shù)據(jù)的特殊性，使得傳統(tǒng)的分類方法無法直接對(duì)其進(jìn)行處理，因此人們相繼提出了多種方法用于處理多標(biāo)簽數(shù)據(jù)分類，這些方法總體來說可以分為兩類:基于問題轉(zhuǎn)化的方法與基于算法轉(zhuǎn)化的方法。基于問題轉(zhuǎn)化的方法將多標(biāo)簽數(shù)據(jù)通過某種轉(zhuǎn)換策略轉(zhuǎn)換成單標(biāo)簽數(shù)據(jù)，然后利用單標(biāo)簽分類方

2、法來進(jìn)行處理?；谒惴ㄞD(zhuǎn)化的方法則是通過改進(jìn)已有的單標(biāo)簽數(shù)據(jù)分類方法，使其能直接用于多標(biāo)簽數(shù)據(jù)分類。
　　本文主要研究基于K近鄰多標(biāo)簽學(xué)習(xí)方法，主要完成的工作內(nèi)容如下:
　　1:對(duì)于已有的懶惰型多標(biāo)簽學(xué)習(xí)方法:一種新型的多標(biāo)記懶惰學(xué)習(xí)方法，該方法在構(gòu)建樣本近鄰集時(shí)對(duì)于每個(gè)樣本都選取相同個(gè)數(shù)的近鄰點(diǎn)，這種取樣本近鄰點(diǎn)的方法沒有充分考慮樣本分布特點(diǎn)。本文針對(duì)這一缺點(diǎn)提出改進(jìn)，將粒計(jì)算思想融合到該方法中，提出基于粒計(jì)算的多標(biāo)簽懶惰

3、學(xué)習(xí)方法，該方法在構(gòu)建樣本近鄰集時(shí)充分考慮樣本分布特點(diǎn)，通過粒度控制，動(dòng)態(tài)選取不同樣本的近鄰點(diǎn)個(gè)數(shù)，使得構(gòu)建的樣本近鄰集中的樣本具有較高的相似性，從而改進(jìn)算法效果。在給出改進(jìn)方法后，本文對(duì)改進(jìn)方法與原方法進(jìn)行了實(shí)驗(yàn)對(duì)比，對(duì)比結(jié)果表明改進(jìn)的方法在總體上要優(yōu)于原方法。
　　2:對(duì)于已有的基于隨機(jī)游走模型的多標(biāo)簽學(xué)習(xí)方法:一種基于隨機(jī)游走模型的多標(biāo)簽分類方法，該方法構(gòu)建的隨機(jī)游走圖是將所有有相同標(biāo)簽的樣本點(diǎn)都連接起來，導(dǎo)致隨機(jī)游走圖中邊

4、數(shù)過多，從而隨機(jī)游走達(dá)到收斂的過程較復(fù)雜，從而導(dǎo)致算法復(fù)雜性過高。本文將機(jī)器學(xué)習(xí)領(lǐng)域的隨機(jī)游走圖與K近鄰方法相結(jié)合，提出基于K近鄰與隨機(jī)游走模型的多標(biāo)簽學(xué)習(xí)方法，該方法首先對(duì)訓(xùn)練集中的每個(gè)樣本點(diǎn)找到其K個(gè)近鄰點(diǎn)，構(gòu)建基于訓(xùn)練集的KNN圖，然后基于每個(gè)測試樣本與已構(gòu)建的KNN圖都構(gòu)建一個(gè)基于KNN的隨機(jī)游走圖，在該圖上進(jìn)行隨機(jī)游走過程，得到一個(gè)穩(wěn)定的概率分布向量，通過該向量得到該測試樣本擁有各個(gè)標(biāo)簽的概率值，最后給出與該方法對(duì)應(yīng)的閾值選擇