多標(biāo)記學(xué)習(xí)及其在物流專家推薦中的應(yīng)用.pdf

1、信息技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)技術(shù)的全面普及增強了用戶收集、存儲和傳輸數(shù)據(jù)的能力，與此同時也推動了“大數(shù)據(jù)時代”的到來。大數(shù)據(jù)當(dāng)中蘊含豐富的信息，但同時也呈現(xiàn)出體量大和類型多等特征，這也就造成了難于處理和信息過載等問題。為了從海量的數(shù)據(jù)中獲取到滿足需求的指定信息，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生。而多標(biāo)記學(xué)習(xí)又是當(dāng)前數(shù)據(jù)挖掘領(lǐng)域的一個研究熱點，其可以有效的解決實際應(yīng)用中的多標(biāo)記分類等問題，因此，多標(biāo)記學(xué)習(xí)已受到學(xué)術(shù)界和產(chǎn)業(yè)界的高度重視。
　　目前

2、，已經(jīng)有許多研究者對多標(biāo)記學(xué)習(xí)進(jìn)行了系統(tǒng)的研究，提出了很多的多標(biāo)記學(xué)習(xí)方法。但這些已有方法在應(yīng)用中仍然存在一定問題，其中一個重要問題就是高維數(shù)據(jù)問題。為此，本研究將基于特征選取的Random Subspace方法引入到多標(biāo)記學(xué)習(xí)當(dāng)中，構(gòu)建基于Random Subspace的分類器鏈方法RS-CC和基于Random Subspace的組合分類器鏈方法RS-ECC。首先，本文系統(tǒng)分析了多標(biāo)記學(xué)習(xí)的研究現(xiàn)狀，明確了當(dāng)前的研究問題和未來的研究方

3、向。其次，對多標(biāo)記學(xué)習(xí)的相關(guān)基礎(chǔ)理論進(jìn)行了系統(tǒng)研究，理解了機器學(xué)習(xí)、監(jiān)督學(xué)習(xí)和多標(biāo)記學(xué)習(xí)等知識模塊。然后，針對高維數(shù)據(jù)條件下的多標(biāo)記學(xué)習(xí)問題，考慮到分類器鏈方法的不穩(wěn)定性和組合分類器鏈方法在解決高維數(shù)據(jù)問題時的算法復(fù)雜程度高等劣勢，從特征提取的角度分別構(gòu)建基于Random Subspace的分類器鏈方法RS-CC和基于Random Subspace的組合分類器鏈方法RS-ECC，并通過多個標(biāo)準(zhǔn)數(shù)據(jù)集對其有效性進(jìn)行了檢驗。最后，將面向高維

4、數(shù)據(jù)的改進(jìn)多標(biāo)記鏈?zhǔn)綄W(xué)習(xí)方法RS-CC和RS-ECC應(yīng)用于物流專家推薦這一高維并且多義的分類問題中，通過從科研之友社交網(wǎng)站上抓取的物流專家數(shù)據(jù)集對改進(jìn)方法的有效性進(jìn)行了檢驗。實驗結(jié)果表明，面向高維數(shù)據(jù)的改進(jìn)多標(biāo)記鏈?zhǔn)綄W(xué)習(xí)方法RS-CC和RS-ECC在多個應(yīng)用領(lǐng)域都取得了較好的分類結(jié)果，能夠很好的處理高維數(shù)據(jù)多標(biāo)記分類問題，從而驗證了本研究提出的改進(jìn)方法的有效性。
　　通過本研究，一方面對多標(biāo)記學(xué)習(xí)領(lǐng)域的相關(guān)理論進(jìn)行了系統(tǒng)的分析，提