多标签分类问题的图结构描述及若干学习算法的研究
发布时间：2020-12-19 07:36
多标签学习问题广泛存在于文本分类、图像标注、信息检索、基因功能分析、医学诊断、定向营销以及电子商务中的个性化推荐等很多现实的应用中,近年来得到了大量的关注和研究。多标签学习假设一个样本可被同时标注多个标签,且不同标签之间是相互依赖的,其与传统有监督学习的主要区别在于输出空间上。多标签分类问题的主要研究集中在多标签分类方法、标签结构学习、大规模标签问题、弱标签问题以及与其他学习问题的结合等方面。论文重点探讨多标签分类问题和分类方法的形式化描述、挖掘标签关联和处理大规模标签问题的多标签分类方法。（1）针对多标签分类问题和分类方法缺少形式化描述的问题,论文第三章重点为多标签分类问题的标签空间建立图结构,并对典型的多标签分类方法进行图结构描述。论文首先基于有限布尔代数和图论在标签空间上分别建立有限偏序集的哈斯图以及超立方体,以更好地反映多标签分类问题的结构化输出的特点。并证明标签空间的哈斯图和超立方体是同构的,具有一些好的性质。然后,在标签空间的超立方体结构上,对典型的多标签分类方法进行图结构描述,从而在统一的图结构中直观地表示多标签分类方法的特点及联系。（2）在多标签分类方法的图结构描述框架...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状概述
1.2.1 多标签学习的主要研究成果
1.2.2 多标签学习研究中的一些存在问题
1.3 论文的主要研究目的与研究内容
1.4 本章小结
第二章 多标签学习的相关文献综述
2.1 多标签分类的两类方法
2.1.1 问题转化的方法（problem transformation methods,简称PT）
2.1.2 算法适应的方法（algorithm adaptation methods，简称AA）
2.2 挖掘标签关联与标签结构
2.2.1 挖掘隐含的标签结构
2.2.2 层次多标签分类
2.3 大规模标签问题的学习（Problems of large-scale labels）
2.3.1 问题的背景
2.3.2 问题的研究现状与成果
2.4 本章小结
第三章 多标签分类问题的图结构描述
3.1 标签空间上的有限偏序集及哈斯图
3.2 标签空间上的q维-超立方体
3.2.1 标签空间的q维-超立方体描述
3.2.2 标签空间的q维-超立方体的性质
3.2.3 标签空间的q维-超立方体与哈斯图的关系
3.3 典型多标签分类方法的图结构描述
3.3.1 PT方法的图结构描述
3.3.2 LSDR方法的图结构描述
3.4 本章小结
第四章 基于典型相关分析的多标签分类方法
4.1 典型相关分析的简介
4.2 基于典型相关分析的多标签分类
4.2.1 利用典型相关分析挖掘数据结构与关联
4.2.2 基于典型输入变量建立线性预测模型
4.3 基于CCA的标签空间降维
4.3.1 标签空间降维的简介
4.3.2 利用CCA对标签向量进行低维编码
4.3.3 基于典型输出变量建立多标签预测模型
4.4 数值实验与结果
4.4.1 实验设置
4.4.2 实验结果及讨论
4.5 本章小结
第五章 基于有监督低维嵌入的多标签分类联合框架
5.1 多标签分类的联合框架
5.1.1 框架的提出
5.1.2 框架的求解算法
5.1.3 框架的对偶形式
5.2 计算复杂度分析
5.3 与已有方法之间的关系
5.4 数值实验与结果
5.4.1 实验设置
5.4.2 性能评价与讨论
5.4.3 计算时间及分析
5.4.4 对子空间大小的敏感性分析
5.5 本章小结
第六章 多标签分类联合框架的增量学习
6.1 在原框架ML-SLDE/DML-SLDE上进行样本增量学习
6.1.1 原形式ML-SLDE的样本增量学习
6.1.2 对偶形式DML-SLDE的样本增量学习
6.2 原框架的样本增量学习的数值实验
6.2.1 实验数据集
6.2.2 算法设置与评价指标
6.2.3 实验结果及讨论
6.3 基于增量SVD的样本增量学习
6.3.1 基于SVD分解的ML-SLDE求解算法
6.3.2 基于增量SVD的增量学习算法
6.4 基于SVD分解的增量学习算法的数值实验
6.4.1 实验设置
6.4.2 实验结果及讨论
6.5 本章小结
结论
参考文献
攻读博士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]一种基于随机游走模型的多标签分类算法[J]. 郑伟,王朝坤,刘璋,王建民. 计算机学报. 2010(08)
[2]n维立方体的性质[J]. 盛集明. 荆楚理工学院学报. 2009(09)
本文编号：2925532
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：142 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状概述
1.2.1 多标签学习的主要研究成果
1.2.2 多标签学习研究中的一些存在问题
1.3 论文的主要研究目的与研究内容
1.4 本章小结
第二章 多标签学习的相关文献综述
2.1 多标签分类的两类方法
2.1.1 问题转化的方法（problem transformation methods,简称PT）
2.1.2 算法适应的方法（algorithm adaptation methods，简称AA）
2.2 挖掘标签关联与标签结构
2.2.1 挖掘隐含的标签结构
2.2.2 层次多标签分类
2.3 大规模标签问题的学习（Problems of large-scale labels）
2.3.1 问题的背景
2.3.2 问题的研究现状与成果
2.4 本章小结
第三章 多标签分类问题的图结构描述
3.1 标签空间上的有限偏序集及哈斯图
3.2 标签空间上的q维-超立方体
3.2.1 标签空间的q维-超立方体描述
3.2.2 标签空间的q维-超立方体的性质
3.2.3 标签空间的q维-超立方体与哈斯图的关系
3.3 典型多标签分类方法的图结构描述
3.3.1 PT方法的图结构描述
3.3.2 LSDR方法的图结构描述
3.4 本章小结
第四章 基于典型相关分析的多标签分类方法
4.1 典型相关分析的简介
4.2 基于典型相关分析的多标签分类
4.2.1 利用典型相关分析挖掘数据结构与关联
4.2.2 基于典型输入变量建立线性预测模型
4.3 基于CCA的标签空间降维
4.3.1 标签空间降维的简介
4.3.2 利用CCA对标签向量进行低维编码
4.3.3 基于典型输出变量建立多标签预测模型
4.4 数值实验与结果
4.4.1 实验设置
4.4.2 实验结果及讨论
4.5 本章小结
第五章 基于有监督低维嵌入的多标签分类联合框架
5.1 多标签分类的联合框架
5.1.1 框架的提出
5.1.2 框架的求解算法
5.1.3 框架的对偶形式
5.2 计算复杂度分析
5.3 与已有方法之间的关系
5.4 数值实验与结果
5.4.1 实验设置
5.4.2 性能评价与讨论
5.4.3 计算时间及分析
5.4.4 对子空间大小的敏感性分析
5.5 本章小结
第六章 多标签分类联合框架的增量学习
6.1 在原框架ML-SLDE/DML-SLDE上进行样本增量学习
6.1.1 原形式ML-SLDE的样本增量学习
6.1.2 对偶形式DML-SLDE的样本增量学习
6.2 原框架的样本增量学习的数值实验
6.2.1 实验数据集
6.2.2 算法设置与评价指标
6.2.3 实验结果及讨论
6.3 基于增量SVD的样本增量学习
6.3.1 基于SVD分解的ML-SLDE求解算法
6.3.2 基于增量SVD的增量学习算法
6.4 基于SVD分解的增量学习算法的数值实验
6.4.1 实验设置
6.4.2 实验结果及讨论
6.5 本章小结
结论
参考文献
攻读博士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]一种基于随机游走模型的多标签分类算法[J]. 郑伟,王朝坤,刘璋,王建民. 计算机学报. 2010(08)
[2]n维立方体的性质[J]. 盛集明. 荆楚理工学院学报. 2009(09)
本文编号：2925532
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/2925532.html
