多標(biāo)簽分類方法被廣泛應(yīng)用于各個(gè)領(lǐng)域,如文本情感分類、圖像標(biāo)注、個(gè)性化推薦、生物學(xué)分類等。層次多標(biāo)簽分類方法是依據(jù)標(biāo)簽間的相關(guān)性將標(biāo)簽進(jìn)行層次化組織,并將這種層次結(jié)構(gòu)作為一種監(jiān)督信息用于學(xué)習(xí)過程,從而更好地解決多標(biāo)簽分類問題�，F(xiàn)有的層次多標(biāo)簽分類方法有兩種,一種可稱為損失無關(guān)方法,另一種可稱為損失敏感方法。HMC-loss常作為損失敏感方法的損失函數(shù),該損失函數(shù)可對假正和假負(fù)兩種錯(cuò)誤給予不同的權(quán)重,并將層次信息添加到損失函數(shù)當(dāng)中。在使用基于HMC-loss損失的HIROM算法進(jìn)行預(yù)測時(shí),會(huì)產(chǎn)生預(yù)測標(biāo)簽數(shù)卻遠(yuǎn)多于真實(shí)標(biāo)簽數(shù)的情況。此外,層次信息的引入會(huì)對標(biāo)簽結(jié)點(diǎn)的決策順序產(chǎn)生不利影響,并且HIROM算法中利用的CSSA算法合并結(jié)點(diǎn)的過程是部分失效的。針對上述問題,本文首先提出了一種改進(jìn)的損失函數(shù)IMH-loss;然后,基于最小風(fēng)險(xiǎn)貝葉斯決策理論,提出了一種改進(jìn)HIROM的層次多標(biāo)簽分類方法HIROM-T,該算法在改變標(biāo)簽結(jié)點(diǎn)決策的順序的同時(shí),舍棄CSSA算法合并結(jié)點(diǎn)過程,降低了算法的復(fù)雜度。針對HIROM算法預(yù)測正類標(biāo)簽數(shù)遠(yuǎn)多于真實(shí)標(biāo)簽數(shù)的問題,本文提出了一種風(fēng)險(xiǎn)隨決策進(jìn)行而可變的層次多標(biāo)... 

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容與組織結(jié)構(gòu)
第二章 相關(guān)基本概念
    2.1 問題描述
    2.2 貝葉斯決策
    2.3 貪心策略
第三章 風(fēng)險(xiǎn)權(quán)重固定的層次多標(biāo)簽分類算法
    3.1 HIROM-T算法
        3.1.1 IMH-loss損失函數(shù)
        3.1.2 固定權(quán)重的風(fēng)險(xiǎn)表示
        3.1.3 風(fēng)險(xiǎn)最小化
        3.1.4 算法描述
    3.2 實(shí)驗(yàn)與分析
        3.2.1 數(shù)據(jù)集與評價(jià)指標(biāo)
        3.2.2 實(shí)驗(yàn)結(jié)果與分析
    3.3 本章小結(jié)
第四章 風(fēng)險(xiǎn)權(quán)重可變的層次多標(biāo)簽分類算法
    4.1 HIRVM算法
        4.1.1 基于固定權(quán)重的風(fēng)險(xiǎn)最小化
        4.1.2 權(quán)重α和β可變的方法
        4.1.3 算法描述
    4.2 實(shí)驗(yàn)與分析
        4.2.1 數(shù)據(jù)集與評價(jià)指標(biāo)
        4.2.2 實(shí)驗(yàn)結(jié)果與分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝
個(gè)人簡況及聯(lián)系方式



本文編號：3734774