基于粒的标记增强标记分布学习

摘要: 标记分布学习能有效求解多标记学习任务，然而分类器构造以获得大规模具有更强监督信息的标注为前提，在许多应用中难以满足。一种替代的方案是以标记增强的方式从传统逻辑形式的标注中挖掘出隐含的数值型标记的重要程度。现有的标记增强方法大多假设增强后的标记需要在所有示例上保持原有逻辑标记的相关性，不能有效保持局部标记相关性。基于粒计算理论，提出了一种适用于标记分布学习的粒化标记增强学习方法。该方法通过k均值聚类构造具有局部相关性语义的信息粒，并在粒的抽象层面上，分别在图上依据逻辑标记的特性和属性空间的拓扑性质完成粒内示例的标记转化。最后，将得到的标记分布在示例层面进行融合，得到描述整个数据集标记重要程度的数值型标记。大量比较研究表明，所提出的模型可以显著地提升多标记学习的性能。

• 关键词: 
• 粒计算  /  
• 标记分布学习  /  
• 标记增强  /  
• 多标记  /  
• 不确定性  /  
• 局部相关性  /  
• 聚类  /  
• 拓扑  

多标记分类[1-2]由于示例与标记的多重性而被广泛研究，学习任务通常描述为判定示例与候选标记的相关性。受标记语义的约束，传统多标记分类假设相关标记（不相关标记）对示例描述的相关性程度相同，这显然不能满足人类复杂的认知需求[3]。例如，在图像检索[4]时，人们更多希望排名靠前的图片与检索关键词具有更强的关联性。这使得同样具有“天空”“森林”“水”和“云”等多个标记的两个自然场景的图片由于检索策略的不同而具有不同的排序；在文本情感分析[5]中，文章中蕴含的情绪通常是几种基础情感(如快乐、悲伤、惊讶、愤怒、厌恶和恐惧)的混合呈现，若不