多標(biāo)簽學(xué)習(xí)的特征降維方法.pdf

1、在多標(biāo)簽學(xué)習(xí)中，多標(biāo)簽數(shù)據(jù)的每個(gè)樣本含有多個(gè)標(biāo)簽，標(biāo)簽與標(biāo)簽之間也不是獨(dú)立存在的。多標(biāo)簽數(shù)據(jù)的維數(shù)較高，增加了數(shù)據(jù)挖掘的復(fù)雜度和難度。近些年來(lái)如何高效地處理多標(biāo)簽數(shù)據(jù)，成為研究者們研究的一個(gè)熱點(diǎn)問(wèn)題。特征降維能降低多標(biāo)簽數(shù)據(jù)的維度、縮小數(shù)據(jù)規(guī)模，提高多標(biāo)簽學(xué)習(xí)的性能。本論文提出了兩種多標(biāo)簽學(xué)習(xí)特征降維算法：
　　（1）基于主成分分析的多標(biāo)簽學(xué)習(xí)特征降維算法（MLFR-PCA）。首先該算法利用PCA原理將原始數(shù)據(jù)投影到低維空間，對(duì)數(shù)

2、據(jù)進(jìn)行密集和去噪處理。其次算法將數(shù)據(jù)的所有標(biāo)簽作為一個(gè)整體，在標(biāo)簽與特征之間引入稀疏回歸，建立起標(biāo)簽空間與特征空間的聯(lián)系，以此構(gòu)造數(shù)據(jù)降維的目標(biāo)函數(shù)。然后結(jié)合l2,1范數(shù)對(duì)算法進(jìn)行優(yōu)化處理，最終實(shí)現(xiàn)降低多標(biāo)簽數(shù)據(jù)維數(shù)的目的。
　?。?）基于非負(fù)矩陣分解的多標(biāo)簽學(xué)習(xí)特征降維算法（MLFR-NMF）。首先該算法用特征矩陣與非負(fù)矩陣的乘積構(gòu)建特征空間的相似矩陣。其次將數(shù)據(jù)的所有標(biāo)簽作為一個(gè)整體，利用已有方法構(gòu)造標(biāo)簽空間的相似矩陣。然后在

3、特征空間的相似矩陣與標(biāo)簽空間的相似矩陣之間引入最小二乘法，建立起標(biāo)簽空間與特征空間的聯(lián)系，以此構(gòu)造數(shù)據(jù)降維的目標(biāo)函數(shù)。最后結(jié)合l2范數(shù)對(duì)算法進(jìn)行優(yōu)化處理，以實(shí)現(xiàn)降低多標(biāo)簽數(shù)據(jù)維數(shù)的目的。
　　以上兩種特征降維算法可以直接對(duì)多標(biāo)簽數(shù)據(jù)進(jìn)行降維，不需要轉(zhuǎn)化多標(biāo)簽數(shù)據(jù)為單標(biāo)簽數(shù)據(jù)，這樣不僅減少了轉(zhuǎn)化過(guò)程引起的工作量增大問(wèn)題，也避免了因轉(zhuǎn)化不準(zhǔn)確帶來(lái)的后續(xù)問(wèn)題。此外，算法將數(shù)據(jù)的所有標(biāo)簽作為一個(gè)整體參與目標(biāo)函數(shù)構(gòu)造，這樣可以在不破壞標(biāo)簽結(jié)