基于深度自动编码器的多标签分类研究

作     者：聂煜 廖祥文 魏晶晶 杨定达 陈国龙 NIE Yu;LIAO Xiangwen;WEI Jingjing;YANG Dingda;CHEN Guolong

作者机构：福州大学数学与计算机科学学院福建福州350116 福建省网络计算与智能信息处理重点实验室(福州大学)福建福州350116 数字福建金融大数据研究所(福州大学)福建福州350116 福建江夏学院电子信息科学学院福建福州350108 

出 版 物：《广西师范大学学报（自然科学版）》 (Journal of Guangxi Normal University:Natural Science Edition)

年 卷 期：2019年第37卷第1期

页      面：71-79页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61772135 U1605251) 中国科学院网络数据科学与技术重点实验室开放基金(CASNDST201708 CASNDST201606) 北邮可信分布式计算与服务教育部重点实验室主任基金(2017KF01) 福建省自然科学基金(2017J01755) 

主　　题：多标签分类 网络表示学习 结构相似性 深度自动编码器 

摘      要：在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。