计算机工程与科学

作者：程玉胜, 曹天成, 王一宾, 郑伟杰

单位：（1.安徽省高校智能感知与计算重点实验室安庆师范大学，安徽 安庆 246133；2.计算智能与信号处理教育部重点实验室（安徽大学），安徽 合肥 230061

关键词：多标签学习,多标签不平衡,标签正负相关性,标签密度,加速梯度下降法,

基金：计算智能与信号处理教育部重点实验室（安徽大学）开放课题（2020A003）;安徽省自然科学基金（2018085MF216）

由于标签空间过大，标签分布不平衡问题在多标签数据集中广泛存在,解决该问题在一定程度上可以提高多标签学习的分类性能。通过标签相关性提升分类性能是解决该问题的一种最常见的有效策略，众多学者进行了大量研究，然而这些研究更多地是采用基于正相关性策略提升性能。在实际问题中，除了正相关性外，标签的负相关性也可能存在，如果在考虑正相关性的同时，兼顾负相关性，无疑能够进一步改善分类器的性能。基于此，提出了一种基于负相关性增强的不平衡多标签学习算法——MLNCE，旨在解决多标签不平衡问题的同时，兼顾标签间的正负相关性，从而提高多标签分类器的分类性能。首先利用标签密度信息改造标签空间；然后在密度标签空间中探究标签真实的正反相关性信息，并添加到分类器目标函数中；最后利用加速梯度下降法求解输出权重以得到预测结果。在11个多标签标准数据集上与其他6种多标签学习算法进行对比实验，结果表明MLNCE算法可以有效提高分类精度。

来源：2021年第9期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2021年第9期