学位论文 > 优秀研究生学位论文题录展示

多标记学习算法及其在标签推荐中应用研究

作　者: 何颖婧
导　师: 王志海
学　校: 北京交通大学
专　业: 计算机科学与技术
关键词: 数据挖掘分类多标记推荐系统标签推荐
分类号: TP391.3
类　型: 硕士论文
年　份: 2014年
下　载: 16次
引　用: 0次
阅　读: 论文下载

内容摘要

信息技术的飞速发展带来了信息过载问题,它使用户很难从海量的数据中获取有用的信息.自动分类作为解决信息过载问题的有效手段,已经在众多领域得到广泛应用.传统的分类都假设实例只与一个标记相关,而在类似文本、图像、视频等领域中,实例通常都与多个标记相关,传统的分类算法也就不再适用,因此对多标记数据的学习成为重要的研究课题.标签推荐则随着标签网站的迅速发展成为热门的研究问题之一.本文主要研究多标记学习算法,并根据多标记学习与标签推荐的预测结果都是多个元素的特点,对多标记学习算法在标签推荐中的应用展开相关的研究.本文首先对多标记学习与标签推荐的概念进行阐述,分别总结了多标记学习与标签推荐的相关算法,并分析了各算法的优缺点.其次,提出了基于标记间关系的多标记学习算法,该算法对元级特征进行了改进,改进后的简化元级特征保留了元级特征能够表示实例与标记的关系的特点,同时减少了输入空间的维度.在此基础上,该算法提出结合简化的元级特征以及标记空间得到标记间关系矩阵的方法,预测阶段结合该矩阵与简化的元级特征得到预测结果.在多标记数据集上的实验结果表明,该算法能够有效的利用标记间的关系,且更适用于对标记间依赖关系较强的数据集进行分类.最后,根据标签推荐的特点,对多标记学习算法的部分实现进行了改进,提出了用于标签推荐的多标记学习算法.训练阶段,提出了以标签共现次数来计算标签间关系矩阵的方法.推荐阶段,提出了以标签向量来表示用户与资源的历史信息,结合该标签向量与标签间关系矩阵得到推荐的标签集合.在标签数据集上的实验结果表明,该改进算法相较于其他标签推荐算法,较好的利用了标签间关系,推荐的标签集合更准确.

全文目录

致谢  5-6
中文摘要  6-7
ABSTRACT  7-11
1 引言  11-14
  1.1 研究背景与意义  11-13
  1.2 本文主要研究内容  13
  1.3 本文组织结构  13-14
2 多标记学习与标签推荐  14-30
  2.1 多标记学习  14-25
    2.1.1 算法适应  15-18
    2.1.2 问题转化  18-22
    2.1.3 多标记学习算法性能评价指标  22-25
  2.2 标签推荐  25-30
    2.2.1 标签推荐算法  27-29
    2.2.2 标签推荐算法的评价指标  29-30
3 基于标记间关系的多标记学习算法MLLR  30-41
  3.1 MLLR算法的算法思想  30-37
    3.1.1 多标记数据集的元级特征  31-34
    3.1.2 标记间关系的表示  34-37
  3.2 MLLR算法的算法描述  37-39
  3.3 MLLR算法分析  39-41
4 MLLR算法在标签推荐中的应用  41-50
  4.1 面向标签推荐的MLLR算法的算法思想  41-46
    4.1.1 标签推荐与多标记学习  41-43
    4.1.2 标签间关系的表示  43-44
    4.1.3 标签推荐结果的产生  44-46
  4.2 面向标签推荐的MLLR算法的算法描述  46-49
  4.3 算法分析  49-50
5 实验  50-61
  5.1 实验环境  50
  5.2 MLLR算法实验  50-56
    5.2.1 实验数据集  51
    5.2.2 实验设计  51-52
    5.2.3 实验结果与分析  52-56
  5.3 面向标签推荐的MLLR算法实验  56-61
    5.3.1 实验数据集  56-57
    5.3.2 实验设计  57-58
    5.3.3 实验结果与分析  58-61
6 总结与展望  61-63
参考文献  63-67
作者简历  67-69
学位论文数据集  69

多标记学习算法及其在标签推荐中应用研究

内容摘要

全文目录

相似论文