多標(biāo)簽分類(lèi)中在線學(xué)習(xí)算法研究.pdf

1、在多標(biāo)簽分類(lèi)問(wèn)題中，一個(gè)樣本可以同時(shí)屬于多個(gè)類(lèi)別標(biāo)簽，且樣本標(biāo)簽之間不再相互排斥。目前，多標(biāo)簽分類(lèi)問(wèn)題已在文本分類(lèi)，自然場(chǎng)景分類(lèi)和音樂(lè)情感標(biāo)注等領(lǐng)域得到廣泛應(yīng)用，因此提出很多多標(biāo)簽分類(lèi)算法。近年來(lái)，多標(biāo)簽分類(lèi)算法大多采用批量學(xué)習(xí)的方式，它要求將整個(gè)訓(xùn)練數(shù)據(jù)集全部讀入內(nèi)存且可以通過(guò)一次學(xué)習(xí)得到最終分類(lèi)模型。但在實(shí)際應(yīng)用中，尤其對(duì)大規(guī)模數(shù)據(jù)集的分類(lèi)問(wèn)題，這種批量學(xué)習(xí)的方式，將會(huì)消耗大量的時(shí)間和空間資源。針對(duì)上述問(wèn)題，本文基于在線學(xué)習(xí)理論，圍

2、繞大規(guī)模多標(biāo)簽分類(lèi)問(wèn)題展開(kāi)研究，提出了兩種多標(biāo)簽在線分類(lèi)算法。主要工作如下:
　　1.使用二類(lèi)相關(guān)分解策略，結(jié)合已有的二類(lèi)在線“被動(dòng)-進(jìn)攻”主動(dòng)學(xué)習(xí)算法，提出基于分解策略的多標(biāo)簽在線“被動(dòng)-進(jìn)攻”主動(dòng)學(xué)習(xí)算法（MLPAA）。算法采用主動(dòng)學(xué)習(xí)的方式查詢(xún)多標(biāo)簽樣本信息，這樣不僅可以利用在線學(xué)習(xí)的方式不斷更新多標(biāo)簽分類(lèi)器模型，還利用主動(dòng)學(xué)習(xí)的方式探索未標(biāo)注樣本信息，減少人工標(biāo)注代價(jià)和時(shí)間。在實(shí)驗(yàn)中，根據(jù)五個(gè)多標(biāo)簽評(píng)價(jià)準(zhǔn)則，在八個(gè)多標(biāo)簽數(shù)

3、據(jù)集上，將MLPAA算法與三個(gè)算法進(jìn)行實(shí)驗(yàn)比較。結(jié)果表明，MLPAA算法相對(duì)于MLRPE，MLPEA和MLRPA算法具有更好的分類(lèi)性能。
　　2.基于標(biāo)簽排序思想，改進(jìn)多類(lèi)在線“被動(dòng)-進(jìn)攻”分類(lèi)算法，提出了考慮標(biāo)簽相關(guān)性的多標(biāo)簽在線“被動(dòng)-進(jìn)攻”分類(lèi)算法(MLLRPA)。算法通過(guò)最大化多標(biāo)簽樣本中相關(guān)標(biāo)簽子集與不相關(guān)標(biāo)簽子集之間的間隔，預(yù)測(cè)標(biāo)簽排序?qū)Φ姆绞浇⑾嚓P(guān)標(biāo)簽與不相關(guān)標(biāo)簽的排序錯(cuò)誤集合，根據(jù)錯(cuò)誤集合的大小，進(jìn)而更新分類(lèi)器模