江苏大学学报(自然科学版)

作者：王进，梁晨，孙开伟，陈乔松，邓欣

单位：重庆邮电大学 数据工程与可视计算重点实验室， 重庆 400065

关键词：多标签学习, 标签特定特征, 聚类集成, 标签相关性, 无向完全图, 最小生成树

基金：国家自然科学基金资助项目（61806033）

针对标签特定特征多标签学习算法(multilabel learning with labelspecific features, LIFT)未能在聚类以及分类阶段考虑标签相关性问题，提出一种基于标签相关性的标签特定特征多标签学习算法(multilabel learning with labelspecific features via label correlations, LFLC).将标签空间加入特征空间进行聚类构建分类模型，采用考虑标签相关性的聚类集成技术为每个标签构造标签特定特征，使用相关性矩阵构建无向完全图并挖掘图中标签集合相关性，通过树集成表达标签间多种不同结构的强相关性.在试验部分，采用涵盖不同领域的10个数据集，以Hamming Loss、Ranking Loss、Oneerror、Coverage、Average Precision和macroAUC为评估指标，进行了参数敏感性分析和统计假设检验.结果表明：结合聚类集成与标签间强相关性的LFLC算法较其他对比多标签算法整体上能取得较好的效果.

来源：2023年第5期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2023年第5期