一种新的基于半监督的多标记学习算法

山东大学学报(工学版) ›› 2013, Vol. 43 ›› Issue (2): 18-22.

一种新的基于半监督的多标记学习算法

李雅林1,2,张化祥1,2*,冯新营1,2

1. 山东师范大学信息科学与工程学院，山东济南 250014;
2. 山东省分布式计算机软件新技术重点实验室, 山东济南 250014

收稿日期:2012-12-05 出版日期:2013-04-20 发布日期:2012-12-05
通讯作者: 张化祥(1966- )，男，山东济宁人，教授，博士生导师，主要研究方向为机器学习，模式识别及Web挖掘等. E-mail:huaxzhang@163.com
作者简介:李雅林(1989- )，女，山东烟台人，硕士研究生，主要研究方向为机器学习与数据挖掘.E-mail：yalinli2012@163.com
基金资助:
国家自然科学基金资助项目(61170145)；教育部高等学校博士点专项基金资助项目(20113704110001)；山东省自然科学基金资助项目(ZR2010FM021)

A new multi-label learning algorithm based on semi-supervised learning

LI Ya-lin1,2, ZHANG Hua-xiang1,2*, FENG Xin-ying1,2

1. School of Information Science ＆ Engineering, Shandong Normal University, Jinan 250014, China;
2. Shandong Provincial Key Laboratory for Novel Distributed Computer Software Technology, Jinan 250014, China

Received:2012-12-05 Online:2013-04-20 Published:2012-12-05

摘要/Abstract

摘要：

多标记学习中通常存在大量未标记示例,本研究结合协同训练(Co-training)方法充分利用数据集中的未标记示例,在数据集上选取局部kNN(k nearest neighbor)和全局kNN进行训练得到两个分类器,分类器分别标记未标记示例并相互更新训练集。协同训练过程不断迭代进行,直至训练完成。试验结果表明,该方法性能均优于其他多标记学习算法。

关键词: 多标记学习, 局部k-NN, 全局k-NN, 半监督学习

Abstract:

Multi-label learning usually has many unlabeled samples. Combined with co-training method, this research made full use of the unlabeled sampled in dataset, selected the local k-NN(k nearest neighbor) and global k-NN for training to get two classifiers, which could label the unlabeled examples and could be added to the training set. The collaborative training process iterated continuously, until the training finished. The experimental results showed that this algorithm could outperform other multi-label learning algorithms.

Key words: multi-label learning, global k-NN, semi-supervised learning, local k-NN

中图分类号:

TP301

李雅林1,2,张化祥1,2*,冯新营1,2. 一种新的基于半监督的多标记学习算法[J]. 山东大学学报(工学版), 2013, 43(2): 18-22.

LI Ya-lin1,2, ZHANG Hua-xiang1,2*, FENG Xin-ying1,2. A new multi-label learning algorithm based on semi-supervised learning[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2013, 43(2): 18-22.

参考文献

相关文章 9

[1]	尹旭,刘兆英,张婷,李玉鑑. 基于弱监督和半监督学习的红外舰船分割方法[J]. 山东大学学报 (工学版), 2022, 52(2): 99-106.
[2]	朱恒东, 马盈仓, 代雪珍. 自适应半监督邻域聚类算法[J]. 山东大学学报 (工学版), 2021, 51(4): 24-34.
[3]	孔超1,2,张化祥1,2*,刘丽1,2. 基于兴趣区域特征融合的半监督图像检索算法[J]. 山东大学学报(工学版), 2014, 44(3): 22-28.
[4]	夏战国,万玲,蔡世玉,孙鹏辉. 一种面向入侵检测的半监督聚类算法[J]. 山东大学学报(工学版), 2012, 42(6): 1-7.
[5]	谢伙生,刘敏. 一种基于主动学习的集成协同训练算法[J]. 山东大学学报(工学版), 2012, 42(3): 1-5.
[6]	魏巍,张艳宁. 基于半监督隐含狄利克雷分配的人脸姿态判别方法[J]. 山东大学学报(工学版), 2011, 41(3): 17-22.
[7]	宿洪禄,李凡长*. 基于相异性和不变特征的半监督图像检索[J]. 山东大学学报(工学版), 2010, 40(5): 150-153.
[8]	崔宝今林鸿飞张霄. 基于半监督学习的蛋白质关系抽取研究[J]. 山东大学学报(工学版), 2009, 39(3): 16-21.
[9]	周广通，尹义龙，郭文鹃，任春晓. 基于协同训练的指纹图像分割算法[J]. 山东大学学报(工学版), 2009, 39(1): 22-26.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	刘文亮,朱维红,陈涤,张泓泉. 基于雷达图像的运动目标形态检测及跟踪技术[J]. 山东大学学报(工学版), 2010, 40(3): 31 -36 .
[2]	赵然杭,陈守煜 . 水资源数量与质量联合评价理论模型研究[J]. 山东大学学报(工学版), 2006, 36(3): 46 -50 .
[3]	徐丽丽,季忠,夏继梅 . 同规格货物装箱问题的优化计算[J]. 山东大学学报(工学版), 2008, 38(3): 14 -17 .
[4]	赵延风1,2, 王正中1,2 ,芦琴1,祝晗英3 . 梯形明渠水跃共轭水深的直接计算方法[J]. 山东大学学报(工学版), 2009, 39(2): 131 -136 .
[5]	孟健, 李贻斌, 李彬. 四足机器人跳跃步态控制方法[J]. 山东大学学报(工学版), 2015, 45(3): 28 -34 .
[6]	罗运虎, 吴旭文,潘双来,董尔令,孙秀娟,王传江,吴娜 . 需求侧两种可中断负荷与发电侧备用容量的协调[J]. 山东大学学报(工学版), 2007, 37(6): 66 -70 .
[7]	王凯,孙奉仲,赵元宾,高明,高山 . 自然通风冷却塔进风口流场模型的建立及计算[J]. 山东大学学报(工学版), 2008, 38(1): 13 -17 .
[8]	张宁李术才李明田杨磊. 新型岩石相似材料的研制[J]. 山东大学学报(工学版), 2009, 39(4): 149 -154 .
[9]	乔小燕. 赤潮藻显微图像自动识别方法[J]. 山东大学学报(工学版), 2016, 46(3): 1 -6 .
[10]	李杰刘弘. 基于遗传算法的分形艺术图案生成方法[J]. 山东大学学报(工学版), 2008, 38(6): 33 -36 .