论文笔记（三）——A Review on Multi-Label Learning Algorithms

三、学习算法

A、简单分类

        以下介绍八种具有代表性的多标签学习算法，算法可分为两类：

        · 问题转换方法：这类算法通过将多标签学习问题转换为其他成熟的学习场景来解决该问题。代表性算法包括一阶方法转、二阶方法和高阶方法，分别将学习的任务转化为二分类任务、标签排序任务以及多分类任务。

        · 算法适应方法：通过改编流行的学习算法去直接处理多标签数据来解决多标签学习问题。比如改编懒学习，决策树，核技巧。

        总之，问题转换方法的核心是让数据适应算法，而算法适应方法的核心是让算法适应数据。算法分类图如下：

B、问题转换方法

        1）Binary Relevance：该算法的基本思想是将多标签学习问题分解为q个独立的二元分类问题。其中每个二元分类问题对应标签空间中的一个可能标签。

        对于第j个类标签yj，Binary Relevance首先通过考虑考虑每个训练实例与yj的相关性构造相应的二元训练集：

         之后，利用一些二元学习算法B导出二元分类器