多標(biāo)簽分類中關(guān)鍵技術(shù)的研究.pdf

1、隨著信息時代的發(fā)展，各種形式的數(shù)據(jù)呈現(xiàn)飛速的增長態(tài)勢，對數(shù)據(jù)進(jìn)行快速準(zhǔn)確的分類是目前數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域研究的重點。按對數(shù)據(jù)進(jìn)行描述使用的標(biāo)簽個數(shù)可將數(shù)據(jù)分為單標(biāo)簽數(shù)據(jù)和多標(biāo)簽數(shù)據(jù)兩種。由于多標(biāo)簽數(shù)據(jù)的特征與標(biāo)簽彼此之間的關(guān)聯(lián)性使得多標(biāo)簽數(shù)據(jù)比單標(biāo)簽數(shù)據(jù)的分類問題更為復(fù)雜，所以對多標(biāo)簽分類相關(guān)問題的研究成為新的研究熱點。本文主要對多標(biāo)簽分類中的特征選擇方法和分類算法進(jìn)行了研究。
　　針對多標(biāo)簽數(shù)據(jù)特征的稀疏性和高維性，提出了一種

2、基于文化基因算法的多標(biāo)簽特征選擇方法MA-MLFS，實現(xiàn)特征的降維，本文主要研究了文化基因算法中的局部搜索策略。在局部搜索過程中，每次迭代都選擇種群中適應(yīng)度最優(yōu)的一條染色體，根據(jù)特征與標(biāo)簽集之間的相關(guān)性強弱選擇相應(yīng)的特征對該染色體進(jìn)行局部“加”和“減”操作，在新生成的染色體中選擇適應(yīng)度最強且優(yōu)于原染色體的個體將原染色體替換，從而找出局部最優(yōu)解，優(yōu)化種群。該方法有效地避免了遺傳算法容易陷入局部最優(yōu)解的問題。
　　由于多標(biāo)簽數(shù)據(jù)中的每

3、個標(biāo)簽具有各自獨有的特性，設(shè)計了一種基于標(biāo)簽特性的多標(biāo)簽分類算法LC-KNN。該算法采用k-means聚類算法對訓(xùn)練集中每個標(biāo)簽的正負(fù)樣本集合進(jìn)行聚類，找出相同個數(shù)的聚類中心，將預(yù)測樣本是否包含某個標(biāo)簽的問題轉(zhuǎn)化為二分類問題，將該標(biāo)簽的正負(fù)聚類中心作為訓(xùn)練集，采用KNN分類算法進(jìn)行分類。在計算待預(yù)測樣本與正樣本間的距離時進(jìn)行加權(quán)處理，使得待預(yù)測樣本與正負(fù)樣本之間的距離分布更明顯，最后將每個標(biāo)簽的分類結(jié)果進(jìn)行組合，得到待預(yù)測樣本所屬的標(biāo)簽

4、集。該算法充分利用了標(biāo)簽具備的特性，有效地避免了標(biāo)簽分布不均衡對分類效果造成的影響。
　　采用ML-KNN多標(biāo)簽分類算法對MA-MLFS和其它兩種多標(biāo)簽特征選擇方法GA和FSIG進(jìn)行驗證，從分類的平均精度對比可知MA-MLFS方法比其它兩種方法在不同的數(shù)據(jù)集上高出的范圍大約在2％～5％之間，驗證了MA-MLFS方法是有效的。然后采用LC-KNN算法對用MA-MLFS特征選擇后的不同數(shù)據(jù)集進(jìn)行分類，與ML-KNN算法的分類結(jié)果進(jìn)行對