Spark下的并行多标签最近邻算法

摘要：

随着大数据时代的到来,大规模多标签数据挖掘方法受到广泛关注.多标签最近邻算法ML-KNN是一种简单高效、应用广泛的多标签分类方法,其分类精度在很多应用中都高于其他常见的多标签学习方法.然而随着需要处理的数据规模越来越大,传统串行ML-KNN算法已经难以满足大数据应用中时间和存储空间上的限制.结合Spark的并行机制和其基于内存的迭代计算特点,提出了一种基于Spark并行框架的ML-KNN算法SML-KNN.在Map阶段分别找到待预测样本每个分区的K近邻,随后Reduce阶段根据每个分区的近邻集合确定最终的K近邻,最后并行地对近邻的标签集合进行聚合,通过最大化后验概率准则输出待预测样本的目标标签集合.串行和并行环境下的对比实验结果表明,SML-KNN在保证分类精度的前提下性能与计算资源呈近似线性关系,提高了ML-KNN算法对大规模多标签数据的处理能力.

关键词：多标签学习、多标签最近邻算法、Spark、并行

所属期刊栏目：39

分类号：TP181(自动化基础理论)

资助基金：重庆市基础与前沿研究计划项目csts2014jcyjA40001,cstc2014jcyjA40022;重庆市教委科学技术研究项目自然科学类KJ1400436

在线出版日期：2017-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：227-235