GOS＋MU：一种查询对象选择新方法

• 作者: 唐振民 帅小应 陈念
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 查询选择 不确定性采样 条件熵 全局最优搜索 采样阈值
• 年，卷（期）: 2015,（4）
• 所属期刊栏目: 数据工程
• 页码范围: 42-45,58
• 页数: 5页
• 分类号: TP181
• 字数: 4842字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2015.04.010

摘要

在分析单一MU （Most Uncertainty）采样缺陷的基础上，提出一种“全局最优搜寻”方法GOS（Global Optimal Search），并结合MU共同完成查询选择。GOS＋MU方法中，GOS着眼全局寻找目标，在应用环境能提供的训练样本数量有限、分类器受训不充分时，该方法选择的对象学习价值高，能快速推进分类器学习进程；MU则能够在GOS采样失效情形下，利用分类器当前训练成果，选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真，并比较其他采样学习方法的效果，证明了GOS＋MU方法在压缩学习成本、提高训练效率方面的有效性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	唐振民	南京理工大学计算机科学与工程学院	191	2436	26.0	40.0
2	帅小应	池州学院数学与计算机科学系	14	26	3.0	4.0
3	陈念	池州学院数学与计算机科学系	23	89	5.0	8.0