基于粒计算的K近邻多标签学习算法

• 作者: 吴涛 陈小波 高正龙
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 多标签学习 粒计算 K近邻 粒度 评价指标
• 年，卷（期）: 2012,（22）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 167-170,175
• 分类号: TP301.6
• 字数: 5911字
• 语种: 中文

摘要

K近邻多标签学习算法的近邻点个数取固定值,而没有考虑样本分布的特点,可能会将相似度高的点排除在近邻集外,或者将相似度低的点包含在近邻集内,影响分类器的性能.为此,将粒计算的思想引入近邻集的构建,提出一种新的K近邻多标签学习算法.通过粒度控制,确定近邻点集,使得领域内的样本点有高相似性,且此类样本能进入近邻集.实验结果表明,该算法的大多数评价指标均优于现有的多标签学习算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴涛	安徽大学数学科学学院	83	794	14.0	25.0
2	高正龙	安徽大学数学科学学院	2	9	2.0	2.0
3	陈小波	安徽大学数学科学学院	2	9	2.0	2.0