融合标记独有属性特征的k近邻多标记分类新算法

摘要：

在多标记学习系统中,每个样本同时与多个类别标记相关,却均由一个属性特征向量描述.大部分已有的多标记分类算法采用的共同策略是使用相同的属性特征集合预测所有的类别标记,但它并非最佳选择,原因在于每个标记可能与其自身独有的属性特征相关性最大.针对这一问题,提出了融合标记独有属性特征的k近邻多标记分类算法—IML-kNN.首先对多标记数据的特征向量进行预处理,分别为每类标记构造对该类标记最具有判别能力的属性特征;然后基于得到的属性特征使用改进后的ML-kNN算法进行分类.实验结果表明,IML-kNN算法在yeast和image数据集上的性能明显优于ML-kNN算法以及其他3种常用的多标记分类算法.

关键词：多标记学习、多标记k近邻、标记独有特征、标记相关性

所属期刊栏目：41

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61163036;甘肃省科技计划资助自然科学基金1606RJZA047;2012年度甘肃省高校基本科研业务费专项资金;甘肃省高校研究生导师项目1201-16;西北师范大学第三期知识与创新工程科研骨干项目nwnu-kjcxgc-03-67

在线出版日期：2019-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：513-519