8、Collective Multi-Label Classification

论文相关内容

本文中解决多标记问题的方法：

多标签分类的常用方法学习每个类别的独立分类器，并使用排序或阈值模式进行分类。因为它们不利用标签之间的依赖关系，所以这些技术只适合于类别独立的问题。然而，在许多领域，标签是高度相互依赖的。本文研究了在多标签分类中直接参数化标签共现的多标签条件随机域(CRF)分类模型。

单标签模型

基于特征函数和最大熵原则选择模型。

多标签模型

3种因子图模型

1、

二类模型。

2、CML

CML模型。

3、CMLF

CMLF模型。

总结

相关背景：普通的训练独立的多标签分类器没有利用标签的相关性。
问题是什么：如何利用标签之间的相关性进行多标签分类。
现有解决方案：分类器链等多标签算法。
作者的核心思想、创新点在哪里：基于最大熵原则来扩展到多个输出的条件随机场用算法拟合数据。
通过什么样的实验进行验证：在文本语料库上利用了两种标签组合的确定方法和3种模型及3种评价标准来进行了实验，体现了本文模型的优越性。
对我的启发：学会善于发现细节，从细节中得到启发。