论文部分内容阅读
多标签分类是指当单个样本数据可以同时属于多个类别时,为测试数据找到对应正确的多个类别标签的过程。作为机器学习领域中前沿的研究课题之一,多标签分类在文档归类、图片标注、医疗诊断等领域都有着广泛的应用。由于多标签分类问题是传统分类问题的更一般化的形式,且多标签分类问题的复杂度随着标签个数的增长而呈指数函数的形式增长,目前多标签分类问题中还有很多难以解决的挑战和困难。因此,多标签分类算法具有重要的研究意义和价值。目前,大多数的多标签分类算法都是从分析标签相关性的角度出发,这些算法普遍具有以下不足:(1)低阶的算法忽略了部分标签之间的相关信息,导致在遇到强相关的多标签数据时算法性能会显著下降;(2)高阶的算法复杂度会随着标签个数的增长而呈指数函数的形式急剧增长,使多标签分类问题的求解过程变得异常困难。本文针对上述多标签分类算法存在的普遍问题,利用子空间分解和线性判别分析的方法构建了一种同时满足判别性和一致性要求的多标签分类模型。主要的研究工作如下:1、基于多标签数据是来自各个标签分量的组合的观察事实,利用子空间分解的方法,将多标签数据分解成各个标签子空间分量叠加和的形式,分离了多标签分类问题中的标签相关性,解决了多标签分类算法复杂度会随标签个数增大而呈指数函数的形式增长的困难。2、在各个子空间上,利用线性判别分析的方法统计出各个类别上的判别信息,建立了同时满足判别性和一致性要求的多标签分类模型。依据多组变量循环迭代的原则,推导出各个变量的梯度,设计出循环迭代梯度下降的求解算法,实现了模型的求解。3、根据多标签分类算法的目的,对本文所提出的数学模型进一步抽象,将其推广到更一般的形式,给出了相应的数学描述。同时,设计了严密合理的实验,在多个数据库上验证了本文所提出的多标签分类算法的有效性。