一种基于成对标签的Rakel算法改进

doi:10.3969/j.issn.1006-2475.2016.03.004

计算机与现代化

一种基于成对标签的Rakel算法改进

(浙江师范大学数理与信息工程学院，浙江金华 321004)

收稿日期:2015-10-20 出版日期:2016-03-17 发布日期:2016-03-17
作者简介:周恩波(1990-)，男，浙江宁波人，浙江师范大学数理与信息工程学院硕士研究生，研究方向：机器学习，人工智能; 通信作者：叶荣华(1971-)，男，浙江绍兴人，教授，博士，研究方向：语义Web服务，Agent技术; 张微微(1990-)，女，安徽安庆人，硕士研究生，研究方向：人工智能，机器学习。
基金资助:
浙江省自然科学基金资助项目(y1100169)

An Improved Rakel Approach Based on Label Pairwise

(College of Mathematics, Physics and Information Engineering, Zhejiang Normal University, Jinhua 321004, China)

Received:2015-10-20 Online:2016-03-17 Published:2016-03-17

摘要/Abstract

摘要： Rakel(Random k-labelsets)算法从原始标签集中随机选择一部分标签子集，并且使用LP(Label Powerset)算法训练相应的多标签子分类器。由于随机选择标签的原因，导致LP子分类器预测性能不好。本文基于标签的共现关系选择成对标签来训练LP分类器，提出PwRakel(Pairwise Random k-labelsets)算法。该算法通过挖掘标签相关性扩展训练集，有效提高分类性能。实验结果表明，所提出的算法与Rakel算法以及其他算法对比，分类准确度更高。

关键词: 多标签分类, 标签相关性, PwRakel

Abstract: Rakel (Random k-labelsets) randomly selects a number of label subsets from the original set of labels and uses the LP (Label Powerset) method to train the corresponding multi-label classifiers. But the models maybe have a poor performance because of randomization nature. Thus in this paper we firstly capture some pairwise relationships based on label co-occurrence between the labels to training LP classifier by PwRakel (Pairwise Random k-labelsets) algorithm. The method extends the training set by exploiting label correlations to improve classification performance effectively. The experimental results indicate that the proposed method improves multi-label classification accuracy compared with the Rakel algorithm and to other state-of-the-art algorithms.

Key words: multilabel classification, label correlation, PwRakel

中图分类号:

TP181

周恩波，叶荣华，张微微，周子涵. 一种基于成对标签的Rakel算法改进[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2016.03.004.

ZHOU En-bo, YE Rong-hua, ZHANG Wei-wei, ZHOU Zi-han. An Improved Rakel Approach Based on Label Pairwise[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.03.004.

参考文献

[1] 陆广泉,谢扬才,刘星,等. 一种基于KNN的半监督分类改进算法[J]. 广西师范大学学报(自然科学版), 2012,30(1):45-49.

[2] 李志欣,卓亚琦,张灿龙,等. 多标记学习研究综述[J]. 计算机应用研究, 2014,31(6):1601-1605.

[3] 王霄,周李威,陈耿,等. 一种基于标签相关性的多标签分类算法[J]. 计算机应用研究, 2014,31(9):2609-2612.

[4] Hariharan B, Zelnik-Manor L, Vishwanathan S V N, et al. Large scale max-margin multi-label classification with priors[C]// Proceedings of the 27th International Conference on Machine Learning. 2010:423-430.

[5] Dembczynski K, Cheng Weiwei, Hüllermeier E. Bayes optimal multilabel classification via probabilistic classifier chains[C]// Proceedings of the 27th International Conference on Machine Learning. 2010:279-286.

[6] Li Nan, Zhou Zhi-Hua. Selective ensemble of classifier chains[M]// Multiple Classifier Systems. 2013:146-156.

[7] Dembczyński K, Waegeman W, Hüllermeier E. An analysis of chaining in multi-label classification[C]// Proceedings of the 20th European Conference on Artificial Intelligence (ECAI 2012). 2012:294-299.

[8] Yu Ying, Pedrycz W, Miao Duoqian. Multi-label classification by exploiting label correlations[J]. Expert Systems with Applications, 2014,41(6):2989-3004.

[9] Tsoumakas G, Katakis I, Vlahavas I. Effective and efficient multilabel classification in domains with large number of labels[C]// Proceedings of the 2008 ECML/PKDD Workshop on Mining Multidimensional Data (MMD’08). 2008:30-44.

[10] Hüllermeier E, Fürnkranz J, Cheng Weiwei, et al. Label ranking by learning pairwise preferences[J]. Artificial Intelligence, 2008,172(16-17):1897-1916.

[11] Spolaôr N, Monard M C, Tsoumakas G, et al. Label construction for multi-label feature selection[C]// Proceedings of the 2014 Brazilian Conference on Intelligent Systems. 2014:247-252.

[12] Tsoumakas G, Vlahavas I. Random k-labelsets: An ensemble method for multilabel classification[C]// Proceedings of the 18th European Conference on Machine Learning. 2007:406-417.

[13] Rokach L, Schclar A, Itach E. Ensemble methods for multi-label classification[J]. Expert Systems with Applications, 2014,41(16):7507-7523.

[14] Lo Hung-Yi, Lin Shou-De, Wang Hsin-Min. Generalized k-labelset ensemble for multi-label classification[C]// Proceedings of the 2012 IEEE International Conference on Acoustics, Speech and Signal Processing. 2012:2061-2064.

[15] 乔健,田庆. 利用最近邻信息快速分类多标签数据[J]. 计算机工程与应用, 2011,47(32):138-140.

[16] 李思男,李宁,李战怀. 多标签数据挖掘技术:研究综述[J]. 计算机科学, 2013,40(4):14-21.

[17] 李哲,王志海,何颖婧,等. 一种启发式多标记分类器选择与排序策略[J]. 中文信息学报, 2013,27(4):119-126.

[18] 申超波,王志海,孙艳歌. 基于标签聚类的多标签分类算法[J]. 软件, 2014,35(8):16-21.

一种基于成对标签的Rakel算法改进

An Improved Rakel Approach Based on Label Pairwise

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[2]	王杰, 徐祥, 罗晓丹, 张萌, 黄澈, 洪冠中, 汪翔. 基于集成学习的巢湖面雨量计算方法[J]. 计算机与现代化, 2023, 0(09): 38-43.
[3]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[4]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 0, (): 7-14.
[5]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[6]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[7]	彦逸,周开东,林细君,麦晓辉,肖建毅,曾朝霖. 基于因果规则的电力营销系统故障定位算法[J]. 计算机与现代化, 2020, 0(03): 13-.
[8]	奚杏杏，刘宇红，张荣芬. 基于网格搜索与交叉验证的SVR血压预测[J]. 计算机与现代化, 2020, 0(03): 44-.
[9]	陈平平,耿笑冉,邹敏,谭定英. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020, 0(03): 77-.
[10]	彦逸，李波，陈守明，林强，黄巨涛，温柏坚. 一种面向反馈网络的因果特征选择算法及其应用[J]. 计算机与现代化, 2019, 0(12): 95-.
[11]	陈海洋1，环晓敏1，陈新展2，刘喜庆1. 基于TAN分类器的交通灯时间智能动态估计[J]. 计算机与现代化, 2019, 0(11): 81-.
[12]	杨勤1,王偲羽2,熊文彬2 . 基于视听感官通道的交互性环境学习有效性研究[J]. 计算机与现代化, 2019, 0(11): 100-.
[13]	宋阳，石鸿雁. 基于MapReduce框架下的K-means聚类算法的改进[J]. 计算机与现代化, 2019, 0(08): 28-.
[14]	代永强，王联国. 城市表层土壤重金属污染评价[J]. 计算机与现代化, 2019, 0(08): 105-.
[15]	黄武飞1，曾吉昌1，黄锦权1，李思寒1，陈育均1，陈钊1，郑志硕1,2. 基于实验室安保服务型机器人的人脸识别[J]. 计算机与现代化, 2019, 0(07): 61-.