典型文献
基于标签相关性的K近邻多标签学习
文献摘要：
多标签学习是机器学习领域的一个研究热点,其能够有效解决真实世界中的多语义问题.在多标签学习任务中,样本的多个标签之间存在一定的关联关系,忽略标签间的相关性会导致模型的泛化性能降低.提出一种基于标签间相关性的多标签学习K近邻算法.充分挖掘样本多标签间的相关性,通过Fp_growth算法得到标签的频繁项集.针对频繁项和标签分别构建评分模型和阈值模型,评分模型用于衡量样本与频繁项或标签之间的关联程度,阈值模型用于求解频繁项或标签对应的判别阈值,结合评分模型和阈值模型对样本所属频繁项进行预测,进而确定样本标签集.在经典数据集Emotions和Scene上的实验结果表明,该算法的F1-Measure指标分别达到66.6％和73.3％,相比CC、LP、RAKEL、MLDF等基准方法,其F1-Measure分别平均提高3.8和2.1个百分点,该算法通过合理利用标签间的相关性使得分类性能得到有效提升.
文献关键词：
机器学习;多标签学习;标签相关性;K近邻;频繁项集
中图分类号：
作者姓名：
钱龙;赵静;韩京宇;毛毅
作者机构：
南京邮电大学 计算机学院,南京 210023
文献出处：
引用格式：
[1]钱龙;赵静;韩京宇;毛毅-.基于标签相关性的K近邻多标签学习)[J].计算机工程,2022(06):73-78,88
A类：
RAKEL,MLDF
B类：
标签相关性,多标签学习,学习领域,真实世界,多语,学习任务,关联关系,泛化性能,近邻算法,Fp,growth,频繁项集,评分模型,阈值模型,关联程度,样本标签,标签集,Emotions,Scene,Measure,CC,LP,基准方法,百分点,分类性能
AB值：
0.340518
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
