多標簽學習的特征降維方法.pdf

1、在多標簽學習中，多標簽數(shù)據(jù)的每個樣本含有多個標簽，標簽與標簽之間也不是獨立存在的。多標簽數(shù)據(jù)的維數(shù)較高，增加了數(shù)據(jù)挖掘的復雜度和難度。近些年來如何高效地處理多標簽數(shù)據(jù)，成為研究者們研究的一個熱點問題。特征降維能降低多標簽數(shù)據(jù)的維度、縮小數(shù)據(jù)規(guī)模，提高多標簽學習的性能。本論文提出了兩種多標簽學習特征降維算法：
　　（1）基于主成分分析的多標簽學習特征降維算法（MLFR-PCA）。首先該算法利用PCA原理將原始數(shù)據(jù)投影到低維空間，對數(shù)

2、據(jù)進行密集和去噪處理。其次算法將數(shù)據(jù)的所有標簽作為一個整體，在標簽與特征之間引入稀疏回歸，建立起標簽空間與特征空間的聯(lián)系，以此構(gòu)造數(shù)據(jù)降維的目標函數(shù)。然后結(jié)合l2,1范數(shù)對算法進行優(yōu)化處理，最終實現(xiàn)降低多標簽數(shù)據(jù)維數(shù)的目的。
　　（2）基于非負矩陣分解的多標簽學習特征降維算法（MLFR-NMF）。首先該算法用特征矩陣與非負矩陣的乘積構(gòu)建特征空間的相似矩陣。其次將數(shù)據(jù)的所有標簽作為一個整體，利用已有方法構(gòu)造標簽空間的相似矩陣。然后在

3、特征空間的相似矩陣與標簽空間的相似矩陣之間引入最小二乘法，建立起標簽空間與特征空間的聯(lián)系，以此構(gòu)造數(shù)據(jù)降維的目標函數(shù)。最后結(jié)合l2范數(shù)對算法進行優(yōu)化處理，以實現(xiàn)降低多標簽數(shù)據(jù)維數(shù)的目的。
　　以上兩種特征降維算法可以直接對多標簽數(shù)據(jù)進行降維，不需要轉(zhuǎn)化多標簽數(shù)據(jù)為單標簽數(shù)據(jù)，這樣不僅減少了轉(zhuǎn)化過程引起的工作量增大問題，也避免了因轉(zhuǎn)化不準確帶來的后續(xù)問題。此外，算法將數(shù)據(jù)的所有標簽作為一個整體參與目標函數(shù)構(gòu)造，這樣可以在不破壞標簽結(jié)