基于雙層結構和優(yōu)序選擇的多標簽分類研究.pdf

1、分類是數據挖掘技術中的一個熱門研究分支，它主要是利用樣本數據集來構建一個分類模型，并使用該分類模型對未知樣本實例進行類別信息的預測。在傳統(tǒng)的單標簽分類中，一個樣本實例僅隸屬于一個類別。然而，真實世界中卻存在大量的多義性實例，即一個樣本實例可能同時隸屬于不同的類別，相應的分類問題被稱作為多標簽分類問題。最初，多標簽學習起源于分檔歸類中遇到的多義性問題。經過數十年來的發(fā)展，多標簽學習技術已在醫(yī)療診斷、生物遺傳學、推薦系統(tǒng)、信息檢索、圖像視頻

2、等領域得到了廣泛應用。
　　隨著多標簽學習熱度的持續(xù)上升，解決多標簽分類問題的算法層出不窮，很多算法（如BR、CC、MBR）在設計過程往往存在忽略標簽間的關聯性、隨機選擇標簽序列、冗余交互標簽信息及交互過程中信息缺失等因素而導致算法的分類精度降低的問題，特別在將多標簽分類轉化為一個或者多個二元分類來解決分類問題上最為顯著。針對上述存在的諸多問題，本文首先提出了基于雙層結構的鏈式多標簽分類(DLMC)算法，該算法構建了一個雙層結構的

3、分類模型，旨在通過層間交互和層內交互來實現標簽間的關聯性。第一層采用典型的二元關聯分類模型實現對實例的第一次分類，并與第二層進行標簽信息的交互;第二層構建帶有更新過程的鏈式分類模型，用鏈來傳遞和更新標簽信息，實現分類信息的二次交互。其次，提出構建具有最大權重的標簽生成樹(MWTOS)算法，尋求標簽優(yōu)序，以解決鏈式分類模型因隨機選擇類標號序列對二值分類器進行訓練而導致分類精度降低的問題。然后，提出基于雙層結構的多標簽優(yōu)序選擇分類(DLMO