基于布尔矩阵分解和神经网络的多标签学习
Multi-Label Learning through Boolean Matrix Factorization and Neural Networks
霍一帆 1王轩 2董小铭 3于洪 4闵帆5
作者信息
- 1. 西南石油大学 计算机与软件学院,四川 成都 610500
- 2. 西南石油大学 网络与信息化中心,四川 成都 610500
- 3. 西南石油大学 理学院,四川 成都 610500
- 4. 重庆邮电大学 计算智能重庆市重点实验室,重庆 400065
- 5. 西南石油大学 计算机与软件学院,四川 成都 610500;西南石油大学 机器学习研究中心,四川 成都 610500
- 折叠
摘要
在多标签学习中,利用标签相关性提升预测性能是研究重点.基于矩阵分解的方法通过构建潜在标签,获得从数据到标签空间更本质的映射.然而,实数矩阵分解缺乏语义解释,且常用的线性映射拟合能力有限.因此,本文提出了一种基于布尔矩阵分解和神经网络的多标签学习方法MLBF.具体而言,布尔矩阵维持了标签关于有/无的语义特征,利用所提出的启发式分解算法效率高且效果好;神经网络提供非线性的拟合能力,且有效利用并行计算资源以应对大数据集.本研究在13 个基准数据集上进行了实验,采用了8 种流行的算法进行比较,并通过5 个常用指标对它们进行了评估.实验结果表明,MLBF 在这些指标的平均排名分别为 1.92,2.5,2.38,2.23,2.46.
Abstract
In multi-label learning,utilizing label correlation to improve prediction performance is a research fo-cus.Mining label correlation is an important content.The method based on matrix decomposition obtains a more essential mapping from data to label space by constructing potential labels.However,real number matrix decom-position lacks semantic interpretation and the commonly used linear mapping fitting ability is limited.Therefore,this article proposes a multi-label learning method MLBF based on Boolean matrix factorization and neural net-works.Specifically,the Boolean matrix maintains the semantic features of labels regarding presence/absence,and the proposed heuristic decomposition algorithm is efficient and effective;neural networks provide nonlinear fitting capabilities and effectively utilize parallel computing resources to cope with large datasets.This study conducted experiments on 13 benchmark datasets,compared 8 popular algorithms,and evaluated them using 5 commonly used indicators.The experimental results show that the mean ranking of MLBF in these indicators is 1.92,2.5,2.38,2.23,and 2.46,respectively.
关键词
布尔矩阵分解/多标签学习/神经网络Key words
Boolean matrix factorization/multi-label learning/neural networks引用本文复制引用
基金项目
国家自然科学基金重点项目(62136002)
国家社会科学基金(22FZXB092)
南充市科技局重点项目(23XNSYSX0062)
出版年
2024
NETL
NSTL
维普
万方数据