多標(biāo)簽學(xué)習(xí)問題廣泛存在于文本分類、圖像標(biāo)注、信息檢索、基因功能分析、醫(yī)學(xué)診斷、定向營銷以及電子商務(wù)中的個性化推薦等很多現(xiàn)實的應(yīng)用中,近年來得到了大量的關(guān)注和研究。多標(biāo)簽學(xué)習(xí)假設(shè)一個樣本可被同時標(biāo)注多個標(biāo)簽,且不同標(biāo)簽之間是相互依賴的,其與傳統(tǒng)有監(jiān)督學(xué)習(xí)的主要區(qū)別在于輸出空間上。多標(biāo)簽分類問題的主要研究集中在多標(biāo)簽分類方法、標(biāo)簽結(jié)構(gòu)學(xué)習(xí)、大規(guī)模標(biāo)簽問題、弱標(biāo)簽問題以及與其他學(xué)習(xí)問題的結(jié)合等方面。論文重點探討多標(biāo)簽分類問題和分類方法的形式化描述、挖掘標(biāo)簽關(guān)聯(lián)和處理大規(guī)模標(biāo)簽問題的多標(biāo)簽分類方法。（1）針對多標(biāo)簽分類問題和分類方法缺少形式化描述的問題,論文第三章重點為多標(biāo)簽分類問題的標(biāo)簽空間建立圖結(jié)構(gòu),并對典型的多標(biāo)簽分類方法進行圖結(jié)構(gòu)描述。論文首先基于有限布爾代數(shù)和圖論在標(biāo)簽空間上分別建立有限偏序集的哈斯圖以及超立方體,以更好地反映多標(biāo)簽分類問題的結(jié)構(gòu)化輸出的特點。并證明標(biāo)簽空間的哈斯圖和超立方體是同構(gòu)的,具有一些好的性質(zhì)。然后,在標(biāo)簽空間的超立方體結(jié)構(gòu)上,對典型的多標(biāo)簽分類方法進行圖結(jié)構(gòu)描述,從而在統(tǒng)一的圖結(jié)構(gòu)中直觀地表示多標(biāo)簽分類方法的特點及聯(lián)系。（2）在多標(biāo)簽分類方法的圖結(jié)構(gòu)描述框架... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：142 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀概述
        1.2.1 多標(biāo)簽學(xué)習(xí)的主要研究成果
        1.2.2 多標(biāo)簽學(xué)習(xí)研究中的一些存在問題
    1.3 論文的主要研究目的與研究內(nèi)容
    1.4 本章小結(jié)
第二章 多標(biāo)簽學(xué)習(xí)的相關(guān)文獻綜述
    2.1 多標(biāo)簽分類的兩類方法
        2.1.1 問題轉(zhuǎn)化的方法（problem transformation methods,簡稱PT）
        2.1.2 算法適應(yīng)的方法（algorithm adaptation methods，簡稱AA）
    2.2 挖掘標(biāo)簽關(guān)聯(lián)與標(biāo)簽結(jié)構(gòu)
        2.2.1 挖掘隱含的標(biāo)簽結(jié)構(gòu)
        2.2.2 層次多標(biāo)簽分類
    2.3 大規(guī)模標(biāo)簽問題的學(xué)習(xí)（Problems of large-scale labels）
        2.3.1 問題的背景
        2.3.2 問題的研究現(xiàn)狀與成果
    2.4 本章小結(jié)
第三章 多標(biāo)簽分類問題的圖結(jié)構(gòu)描述
    3.1 標(biāo)簽空間上的有限偏序集及哈斯圖
    3.2 標(biāo)簽空間上的q維-超立方體
        3.2.1 標(biāo)簽空間的q維-超立方體描述
        3.2.2 標(biāo)簽空間的q維-超立方體的性質(zhì)
        3.2.3 標(biāo)簽空間的q維-超立方體與哈斯圖的關(guān)系
    3.3 典型多標(biāo)簽分類方法的圖結(jié)構(gòu)描述
        3.3.1 PT方法的圖結(jié)構(gòu)描述
        3.3.2 LSDR方法的圖結(jié)構(gòu)描述
    3.4 本章小結(jié)
第四章 基于典型相關(guān)分析的多標(biāo)簽分類方法
    4.1 典型相關(guān)分析的簡介
    4.2 基于典型相關(guān)分析的多標(biāo)簽分類
        4.2.1 利用典型相關(guān)分析挖掘數(shù)據(jù)結(jié)構(gòu)與關(guān)聯(lián)
        4.2.2 基于典型輸入變量建立線性預(yù)測模型
    4.3 基于CCA的標(biāo)簽空間降維
        4.3.1 標(biāo)簽空間降維的簡介
        4.3.2 利用CCA對標(biāo)簽向量進行低維編碼
        4.3.3 基于典型輸出變量建立多標(biāo)簽預(yù)測模型
    4.4 數(shù)值實驗與結(jié)果
        4.4.1 實驗設(shè)置
        4.4.2 實驗結(jié)果及討論
    4.5 本章小結(jié)
第五章 基于有監(jiān)督低維嵌入的多標(biāo)簽分類聯(lián)合框架
    5.1 多標(biāo)簽分類的聯(lián)合框架
        5.1.1 框架的提出
        5.1.2 框架的求解算法
        5.1.3 框架的對偶形式
    5.2 計算復(fù)雜度分析
    5.3 與已有方法之間的關(guān)系
    5.4 數(shù)值實驗與結(jié)果
        5.4.1 實驗設(shè)置
        5.4.2 性能評價與討論
        5.4.3 計算時間及分析
        5.4.4 對子空間大小的敏感性分析
    5.5 本章小結(jié)
第六章 多標(biāo)簽分類聯(lián)合框架的增量學(xué)習(xí)
    6.1 在原框架ML-SLDE/DML-SLDE上進行樣本增量學(xué)習(xí)
        6.1.1 原形式ML-SLDE的樣本增量學(xué)習(xí)
        6.1.2 對偶形式DML-SLDE的樣本增量學(xué)習(xí)
    6.2 原框架的樣本增量學(xué)習(xí)的數(shù)值實驗
        6.2.1 實驗數(shù)據(jù)集
        6.2.2 算法設(shè)置與評價指標(biāo)
        6.2.3 實驗結(jié)果及討論
    6.3 基于增量SVD的樣本增量學(xué)習(xí)
        6.3.1 基于SVD分解的ML-SLDE求解算法
        6.3.2 基于增量SVD的增量學(xué)習(xí)算法
    6.4 基于SVD分解的增量學(xué)習(xí)算法的數(shù)值實驗
        6.4.1 實驗設(shè)置
        6.4.2 實驗結(jié)果及討論
    6.5 本章小結(jié)
結(jié)論
參考文獻
攻讀博士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]一種基于隨機游走模型的多標(biāo)簽分類算法[J]. 鄭偉,王朝坤,劉璋,王建民.  計算機學(xué)報. 2010(08)
[2]n維立方體的性質(zhì)[J]. 盛集明.  荊楚理工學(xué)院學(xué)報. 2009(09)



本文編號：2925532