计算机工程

作者：钱龙, 赵静, 韩京宇, 毛毅

单位：南京邮电大学 计算机学院, 南京 210023

关键词：机器学习,多标签学习,标签相关性,K近邻,频繁项集

基金：国家自然科学基金（62002174）。

多标签学习是机器学习领域的一个研究热点，其能够有效解决真实世界中的多语义问题。在多标签学习任务中，样本的多个标签之间存在一定的关联关系，忽略标签间的相关性会导致模型的泛化性能降低。提出一种基于标签间相关性的多标签学习K近邻算法。充分挖掘样本多标签间的相关性，通过Fp_growth算法得到标签的频繁项集。针对频繁项和标签分别构建评分模型和阈值模型，评分模型用于衡量样本与频繁项或标签之间的关联程度，阈值模型用于求解频繁项或标签对应的判别阈值，结合评分模型和阈值模型对样本所属频繁项进行预测，进而确定样本标签集。在经典数据集Emotions和Scene上的实验结果表明，该算法的F1-Measure指标分别达到66.6%和73.3%，相比CC、LP、RAKEL、MLDF等基准方法，其F1-Measure分别平均提高3.8和2.1个百分点，该算法通过合理利用标签间的相关性使得分类性能得到有效提升。

来源：2022年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第6期