【摘要】：多標記學習廣泛存在于現(xiàn)實生活中,是當今機器學習領域的研究熱點.在多標記學習框架中,每個對象由一個示例構成,但可能同時屬于多個類別標記,并且各個標記之間相互關聯(lián),所以挖掘多標記之間的關聯(lián)性對于多標記學習框架具有重要的意義.首先對經(jīng)典的關聯(lián)規(guī)則算法進行改進,提出了基于矩陣分治的頻繁項集挖掘算法,并證明了該算法挖掘頻繁項集的正確性;進而將該算法應用于多標記學習框架中,分別提出了基于全局關聯(lián)規(guī)則挖掘和局部關聯(lián)規(guī)則挖掘的多標記分類算法;最后對所提出的算法與現(xiàn)有多標記算法進行實驗對比,結果表明,算法在5種不同的評價準則下能夠取得更好的效果.
[Abstract]:Multi-Marker Learning (MML) is widely used in real life and is a hot topic in the field of machine learning. In a multi-tag learning framework, each object is composed of an example, but may belong to multiple class tags at the same time, and each tag is associated with each other. Therefore, mining the correlation between multiple tags is of great significance to the framework of multi-label learning. Firstly, the classical association rules algorithm is improved, and the algorithm of mining frequent itemsets based on matrix division and conquer is proposed, and the correctness of mining frequent itemsets is proved, and then the algorithm is applied to the framework of multi-label learning. The classification algorithms based on global association rule mining and local association rule mining are proposed respectively. Finally, the experimental results show that the proposed algorithm is compared with the existing multi-label algorithm. The algorithm can achieve better results under five different evaluation criteria.
【作者單位】： 南京理工大學計算機科學與工程學院;
【分類號】：TP181

【相似文獻】

相關會議論文 前10條

1 欒鸞;李云;盛艷;;多關系頻繁項集的并行獲取[A];2008年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2008年

2 楊曉明;王晨;汪衛(wèi);張守志;施伯樂;;頻繁項集的精簡表達與還原問題研究[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

3 鄧傳國;;頻繁項集挖掘與學生素質(zhì)測評應用研究[A];2007系統(tǒng)仿真技術及其應用學術會議論文集[C];2007年

4 李彤巖;李興明;;基于分布式關聯(lián)規(guī)則挖掘的告警相關性研究[A];2007通信理論與技術新發(fā)展——第十二屆全國青年通信學術會議論文集（下冊）[C];2007年

5 王洪利;馮玉強;;頻繁項集挖掘算法Apriori的改進研究[A];全國第九屆企業(yè)信息化與工業(yè)工程學術會議論文集[C];2005年

6 陳曉云;李龍杰;馬志新;白伸伸;王磊;;AFP-Miner:一種新高效的頻繁項集挖掘算法[A];2006年全國理論計算機科學學術年會論文集[C];2006年

7 李坤;王永炎;王宏安;;一種基于樂觀裁剪策略的挖掘數(shù)據(jù)流滑動窗口上閉合頻繁項集的算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（二）[C];2008年

8 鄒遠婭;周皓峰;王晨;汪衛(wèi);施伯樂;;FSC——利用頻繁項集挖掘估算視圖大小[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

9 楊曉雪;衡紅軍;;一種對XML數(shù)據(jù)進行關聯(lián)規(guī)則挖掘的方法研究[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

10 謝志軍;陳紅;;EFIM——數(shù)據(jù)流上頻繁項集挖掘的高性能算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

相關博士學位論文 前3條

1 溫磊;基于有向項集圖的關聯(lián)規(guī)則挖掘算法研究與應用[D];天津大學;2004年

2 董杰;基于位表的關聯(lián)規(guī)則挖掘及關聯(lián)分類研究[D];大連理工大學;2009年

3 賈彩燕;關聯(lián)規(guī)則挖掘的取樣復雜性分析[D];中國科學院研究生院（計算技術研究所）;2004年

相關碩士學位論文 前10條

1 王立俊;基于多重最小支持度的氋效用頻繁項集挖掘算法研究[D];廣西大學;2015年

2 陳國俊;基于Hadoop的云存儲系統(tǒng)的研究與應用[D];電子科技大學;2014年

3 尹艷紅;基于Apriori算法的增量式關聯(lián)規(guī)則控制研究[D];大連理工大學;2015年

4 田苗鳳;大數(shù)據(jù)背景下并行動態(tài)關聯(lián)規(guī)則挖掘研究[D];蘭州交通大學;2015年

5 李雪迪;基于本體論的精細化數(shù)據(jù)分析[D];南京郵電大學;2015年

6 廖友金;基于有向圖的關聯(lián)規(guī)則挖掘研究與改進[D];東南大學;2015年

7 王蘇琦;基于Hadoop的不確定頻繁項集并行挖掘方法研究[D];南京大學;2013年

8 韓宏瑩;并行數(shù)據(jù)挖掘技術在電信網(wǎng)管告警中的應用研究[D];長春工業(yè)大學;2016年

9 張敏;頻繁項集挖掘算法在高職院校教師評價系統(tǒng)中的應用研究[D];長春工業(yè)大學;2016年

10 林晨;頻繁項集挖掘算法及其基于Spark的并行化研究[D];華東師范大學;2016年

，

本文編號：2148203