使用引力模型的多標(biāo)簽分類算法的資料概述

　　針對多標(biāo)簽分類算法不能充分利用標(biāo)簽相關(guān)性的問題，通過建立標(biāo)簽的正、負(fù)相關(guān)性矩陣來挖掘標(biāo)簽間不同的相關(guān)關(guān)系，提出一種基于引力模型的多標(biāo)簽分類算法（ MLBGM）。首先，遍歷訓(xùn)練集中所有樣本并分別求取每個訓(xùn)練樣本的五個近鄰樣本，組成該樣本的近鄰集合；其次，根據(jù)每個樣本的近鄰集合中所有近鄰樣本的標(biāo)簽分布情況，分別為每個訓(xùn)練樣本建立正、負(fù)相關(guān)矩陣來獲取標(biāo)簽間的相關(guān)性；然后，為每個訓(xùn)練樣本的近鄰集合計算其近鄰密度和近鄰權(quán)重；最后，采用計算數(shù)據(jù)粒子間相互作用力的方式構(gòu)建多標(biāo)簽分類模型。實驗結(jié)果顯示，MLBGM與5種未考慮標(biāo)簽負(fù)相關(guān)的對比算法相比，漢明損失（HammingLoss）平均降低了15. 62%，微平均Fl值（MicroFl）平均提升了7. 120/0，子集準(zhǔn)確率（SubsetAccurary）平均提升了14. 88qo。MLBGM充分利用了標(biāo)簽間不同的相關(guān)性，獲得了有效的實驗結(jié)果且分類效果優(yōu)于未考慮標(biāo)簽負(fù)相關(guān)的對比算法。

　　傳統(tǒng)的監(jiān)督分類是機器學(xué)習(xí)領(lǐng)域中的一個重要組成部分，它的研究目的是將一條數(shù)據(jù)劃分到預(yù)先定義好的某一個類別當(dāng)中。若預(yù)先定義好的類別只有一個，這樣的分類問題被稱為單標(biāo)簽分類或二值分類。若存在多個類別，將數(shù)據(jù)劃分到其中之一，這樣的分類問題被稱為多類分類。多標(biāo)簽分類是當(dāng)前的研究熱點之一，并被廣泛應(yīng)用于文本分類、圖像標(biāo)注、蛋白質(zhì)功能分析等多個方面。