检索结果-内蒙古大学图书馆

作者：傅頔西安电子科技大学

学位级别：硕士

多标签分类问题是一种在当今现实生活中普遍存在的分类问题，而随着机器学习技术与人工智能的发展，大数据时代的来临，现今多标签分类技术已经广泛应用于基因分类，文本分类，音乐分类，数据挖掘及图像分类，也越来越受到国内外学者的... 详细信息

多标签分类问题是一种在当今现实生活中普遍存在的分类问题，而随着机器学习技术与人工智能的发展，大数据时代的来临，现今多标签分类技术已经广泛应用于基因分类，文本分类，音乐分类，数据挖掘及图像分类，也越来越受到国内外学者的重视，成为了一种十分重要的分类问题的分支。　　多标签分类问题的概念来源于与传统分类问题之间的比较，在传统分类问题中，一般问题中仅仅具有两个标签，并且每一个样本都会属于其中一个标签，而多标签分类中，标签总数一般超过两个，而且对于每一个样本来说，其所属的标签数目一般是不定的，这就使得多标签问题变得更加难解决。现实中，分类问题由于样本的重叠训练和标签的相关性，会导致分类错误，而在多标签问题中，这样的情况也会出现。而现今的一种最广泛应用于解决多标签分类的方法——Binary Relevance算法能够较好的解决多标签分类问题，但是其在分类过程中忽略的标签关联这一对多标签分类十分重要的信息。所以本文提出了一种基于标签关系和分类置信度的算法，旨在利用训练样本信息，提取出标签关联度，并利用标签关联以动态权重的策略结合分类部分以提高分类准确率。　　本文的基本思路如下，首先利用Binary Relevance将多标签问题转化为多个独立的二分类问题，利用概率输出支持向量机得到每个样本关于任意标签的分类概率。然后根据训练集的先验情况，通过提出的标签关联度抽取模型，计算得到标签间的关系，再依据每一个样本的分类置信度，确定分类器输出概率与标签关联的结合权重。再利用二分类结果，标签关联，和结合权重，依据提出的结合模型，得到最终的分类概率。最后，利用得到分类概率进行样本排序，再利用训练集的交叉验证得到合适的判决门限，进而得到每一个样本所属的标签。　　本文的实验部分，对三个常用的多标签分类数据进行了仿真验证，并将实验结果与三种常用的多标签问题解决算法——C4.5,朴素贝叶斯分类器，基于BR的SVM分类算法相比较。以其结果证明本文提出的方法在分类准确率方面具有较为明显的优势，是十分有效的多标签分类问题的解决算法。

关键词：多标签分类问题标签关联 C4.5算法朴素贝叶斯分类器 SVM分类算法

来源：评论

学校读者我要写书评

暂无评论

多分类问题代价敏感AdaBoost算法

引用

自动化学报 2011年第8期37卷 973-983页

作者：付忠良中国科学院成都舟算机应用研究所成都610041

针对目前多分类代价敏感分类问题在转换成二分类代价敏感分类问题存在的代价合并问题,研究并构造出了可直接应用于多分类问题的代价敏感AdaBoost算法.算法具有与连续AdaBoost算法类似的流程和误差估计.当代价完全相等时,该算法就变成了... 详细信息

针对目前多分类代价敏感分类问题在转换成二分类代价敏感分类问题存在的代价合并问题,研究并构造出了可直接应用于多分类问题的代价敏感AdaBoost算法.算法具有与连续AdaBoost算法类似的流程和误差估计.当代价完全相等时,该算法就变成了一种新的多分类的连续AdaBoost算法,算法能够确保训练错误率随着训练的分类器的个数增加而降低,但不直接要求各个分类器相互独立条件,或者说独立性条件可以通过算法规则来保证,但现有多分类连续AdaBoost算法的推导必须要求各个分类器相互独立.实验数据表明,算法可以真正实现分类结果偏向错分代价较小的类,特别当每一类被错分成其他类的代价不平衡但平均代价相等时,目前已有的多分类代价敏感学习算法会失效,但新方法仍然能实现最小的错分代价.研究方法为进一步研究集成学习算法提供了一种新的思路,得到了一种易操作并近似满足分类错误率最小的多标签分类问题的AdaBoost算法.

关键词：代价敏感学习多分类问题多标签分类问题连续AdaBoost 代价敏感分类

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的多标签分类方法研究

基于深度学习的多标签分类方法研究

引用

作者：刘国敬齐鲁工业大学

学位级别：硕士

随着大数据时代的到来,与其关系紧密的人工智能技术得到了跳跃式的发展,文本信息的数量不仅展现出跳跃式的增长趋势,还逐渐显现出多标签、多粒度,高复杂性的特点。为了对文本信息进行更为效率的分类管理,实现文本内容的有效保留和准确过... 详细信息

随着大数据时代的到来,与其关系紧密的人工智能技术得到了跳跃式的发展,文本信息的数量不仅展现出跳跃式的增长趋势,还逐渐显现出多标签、多粒度,高复杂性的特点。为了对文本信息进行更为效率的分类管理,实现文本内容的有效保留和准确过滤,研究者们近年来开始关注于自然语言处理领域中最具有普适性的多标签分类技术。基于深度学习的多标签分类方法能够自动地为文本序列中具有显著意义的信息赋予标签,进而实现对文本数据的高效利用和管理。本文对多标签分类任务进行了全面具体的分析,并针对现有的多标签分类模型的不足提出了以下两种方案:(1)传统的多标签分类模型在捕获文本序列中的语义信息时,要么忽略了局部语义,要么丢弃了序列的全局依赖性,这使得在文本序列中的信息没有被充分挖掘,进而造成标签预测效率的下降。本方案提出了一种新颖的序列到序列(Seq2Seq)学习策略称为“并行编码,串行解码”,基于该策略设计了一种层次化序列到序列的多标签文本分类模型。该模型并行地结合卷积神经网络和自注意力作为编码器,从源文本中提取细粒度的局部邻域信息和全局交互信息。此外,本文还应用了一个层次化的解码器来解码和预测标签序列。所提出的方法不仅充分考虑了源文本中可解释的细粒度信息,而且有效地利用这些信息来生成标签序列。在三个数据集上对模型进行了大量的对比实验。结果表明,与目前最先进的基线相比,所提出的模型在性能方面实现较全面的领先。此外,深入地分析表明我们的模型与基于RNN的Seq2Seq模型相比具有一定的优势,并且在处理高标签/样本比的数据集时更具有鲁棒性。(2)传统的基于Seq2Seq架构的多标签分类模型在进行预测时,解码器按时间顺序依次预测标签的,这导致其在时间效率上大打折扣。对于多标签分类任务,输出标签之间是通常无顺序的。基于Seq2Seq的模型总是以固定的标签排序进行训练,导致在测试时往往会产生不稳定的预测。本方案提出了一种新颖的语义-标签多粒度注意力(SLMA)模型用于解决多标签分类任务。该模型在统一的模块中通过堆叠扩张卷积结构来构建文本序列在局部相关性和长期依赖性方面的多粒度语义特征表示。同时,利用图注意力网络(GAT)直接对标签之间的相关性进行建模,以此来更新标签表示。随后通过所设计的多粒度注意力来实现不同粒度层次的语义特征表示对标签的加权。最终,通过与输入标签嵌入矩阵权值共享的全连接层和一个Sigmoid函数实现标签的正确预测。实验表明,该模型在三个基准数据集上都取得了较好的性能。在进一步的探究实验中发现该方法对高频和低频标签的分类都有较好的鲁棒性。

关键词：多标签分类问题标签的相关性自注意力序列到序列图注意力网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：