基于贝叶斯模型的多标签分类算法

• 作者: 刘斌 吴涛 张洛阳 毛嘉莉
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 多标签 贝叶斯模型 马尔可夫模型 K近邻 置信度
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 第32届中国数据库学术会议(NDBC 2015)
• 页码范围: 52-56,71
• 页数: 6页
• 分类号: TP181
• 字数: 5688字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2016.01.0052

摘要

针对二元关联法(BR)未考虑标签之间相关性,容易造成分类器输出在训练集中不存在或次数较少标签的不足,提出了基于贝叶斯模型的多标签分类算法(MLBM)和马尔可夫型多标签分类算法(MMLBM).首先,建立仿真模型分析BR算法的不足,考虑到标签的取值应由属性置信度和标签置信度共同决定,提出MLBM.其中,通过传统的分类算法计算获得属性置信度,以及通过训练集得到标签置信度.然后,考虑到MLBM在计算属性置信度时必须考虑所有已分类的标签,分类器的性能容易受无关或弱关系的标签影响,所以使用马尔可夫模型简化置信度的计算提出了MMLBM.理论分析和仿真实验表明,与BR算法相比,MMLBM的平均分类精度在emotions数据集上提高约4.8％,在yeast数据集上提高约9.8％,在flags数据集上提高约7.3％.实验结果表明,当数据集中实例的标签基数较大时,相对于BR算法,MMLBM的准确性有较大的提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	毛嘉莉	西华师范大学计算机学院	23	139	5.0	11.0
3	刘斌	西华师范大学计算机学院	17	21	3.0	4.0
4	吴涛	西华师范大学计算机学院	3	4	1.0	1.0
7	张洛阳	西华师范大学计算机学院	1	2	1.0	1.0