多標簽數(shù)據(jù)的降維與分類算法研究.pdf

1、隨著互聯(lián)網(wǎng)和信息技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)中出現(xiàn)了大量的多標簽數(shù)據(jù)，這樣的數(shù)據(jù)每一條樣本會同時對應(yīng)到多個類別上。近些年來如何高效的處理多標簽數(shù)據(jù)，已經(jīng)成為研究學(xué)者們研究的一個熱點問題。
　　針對多標簽問題已有的研究大部分關(guān)注在分類方法的研究上，本文考慮到數(shù)據(jù)維度較高的情況下學(xué)習(xí)起來會比較困難，同時可能遇到維度災(zāi)難問題，提出了一種針對多標簽數(shù)據(jù)的新的降維方法——Multi-label Kernel Discriminant Analys

2、is，MLKDA來實現(xiàn)維度約減。在多標簽學(xué)習(xí)的分類階段，本文運用多標簽分類中常用的算法適應(yīng)的方法，將ELM(Extreme Learning Machine)算法改進到多標簽分類上，運用這一算法能夠?qū)崿F(xiàn)多標簽數(shù)據(jù)高效的分類。
　　多標簽學(xué)習(xí)的過程中，降維是數(shù)據(jù)預(yù)處理過程中的一個步驟。然而高維空間中的點通常會面臨線性不可分的問題，已有的一些多標簽降維方法不能解決非線性降維的問題，并且不會整體考慮數(shù)據(jù)對應(yīng)的多個標簽，這樣可能會破壞數(shù)據(jù)

3、的整體性結(jié)構(gòu)。針對這些問題，本文中MLKDA方法運用核函數(shù)進行特征的映射，解決非線性降維問題;同時考慮到多標簽數(shù)據(jù)的標簽之間會有一定的關(guān)聯(lián)性，從而利用標簽之間的關(guān)聯(lián)整體考慮標簽結(jié)構(gòu)。本文的MLKDA降維方法希望能夠在達到降維目標的同時，盡量多的保留不同類別之間的判別信息，這樣不僅解決了數(shù)據(jù)維度過高可能引起的維度災(zāi)難問題，而且對后續(xù)分類過程有一定的幫助。
　　多標簽分類是多標簽學(xué)習(xí)的目標。已有的多標簽分類方法主要有問題轉(zhuǎn)換和算法適應(yīng)

4、兩種類型。通常分類方法的效率是一個很重要的問題，而多數(shù)的問題轉(zhuǎn)換方法會面臨效率較低、擴展性能稍差的問題。本文為實現(xiàn)對多標簽數(shù)據(jù)相對快速準確的分類，運用算法適應(yīng)方法，將ELM改進到多標簽分類中，實現(xiàn)了多標簽數(shù)據(jù)快速分類。
　　另外，文中考慮到算法的可擴展性能，將MLKDA與多標簽ELM算法的組合，擴展到多標簽數(shù)據(jù)流中進行實驗。算法解決了在數(shù)據(jù)流中對數(shù)據(jù)分塊處理進行降維時可能遇到的小樣本問題和數(shù)據(jù)流中流動的數(shù)據(jù)需要及時快速進行分類的問