论文部分内容阅读
在多标记学习中，算法适应方法一直是解决此类问题的研究热点，其中，将该问题转化为排序问题，并将输出标记按照其与示例的相关性进行排序的策略目前取得了很大的研究进展。本文提出的算法基于间隔准则，通过优化模型在示例的相关标记集合中最小输出与不相关标记集合中的最大输出的间隔损失进行标记排序。由于上述方法并未利用到全部标记信息，在上述的基础上提出一种改进算法优化模型在示例的相关标记集合中的平均输出与不相关标记集合中最大输出的间隔损失，以及优化模型在相关标记集合中的最小输出与不相关标记集合中平均输出的间隔损失进行标记排序。在模型参数的学习中，使用改进的次梯度Pegasos算法进行优化，将该算法与现有的多标记学习算法在4个多标记数据集上进行实验对比，结果表明，在5个不同的评价准则下，均能取得不错的分类效果。