基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
近年来,多标签学习在图像识别和文本分类等多个领域得到了广泛关注,具有越来越重要的潜在应用价值.尽管多标签学习的发展日新月异,但仍然存在两个主要挑战,即如何利用标签间的相关性以及如何处理大规模的多标签数据.针对上述问题,基于MLHN算法,提出一种能有效利用标签相关性且能处理大数据集的基于Spark的多标签超网络集成算法SEI-MLHN.该算法首先引入代价敏感,使其适应不平衡数据集.其次,改良了超网络演化学习过程,并优化了损失函数,降低了算法时间复杂度.最后,进行了选择性集成,使其适应大规模数据集.在11个不同规模的数据集上进行实验,结果表明,该算法具有较好的分类性能,较低的时间复杂度且具备良好的处理大规模数据集的能力.
推荐文章
基于标签关联的多标签演化超网络
机器学习
多标签学习
演化超网络
标签关联
基于多标签神经网络的行人属性识别
多标签分类
神经网络
行人属性
深度学习
基于分类超平面的非线性集成学习机
支持向量机
分类超平面
非线性集成
大规模数据
基于标签相关性的类属属性多标签分类算法
标签相关性
类属属性
多标签学习
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于Spark的多标签超网络集成学习
来源期刊 智能系统学报 学科 工学
关键词 多标签学习 超网络 标签相关性 ApacheSpark 选择性集成学习
年,卷(期) 2017,(5) 所属期刊栏目
研究方向 页码范围 624-639
页数 16页 分类号 TP181
字数 10764字 语种 中文
DOI 10.11992/tis.201706033
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王进 重庆邮电大学计算智能重庆市重点实验室 50 202 8.0 12.0
2 赵蕊 重庆邮电大学计算智能重庆市重点实验室 4 14 2.0 3.0
3 李航 重庆邮电大学软件工程学院 2 2 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (25)
节点文献
引证文献  (2)
同被引文献  (4)
二级引证文献  (1)
2000(1)
  • 参考文献(1)
  • 二级参考文献(0)
2004(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2007(1)
  • 参考文献(1)
  • 二级参考文献(0)
2008(1)
  • 参考文献(1)
  • 二级参考文献(0)
2009(2)
  • 参考文献(2)
  • 二级参考文献(0)
2011(3)
  • 参考文献(3)
  • 二级参考文献(0)
2012(2)
  • 参考文献(2)
  • 二级参考文献(0)
2014(5)
  • 参考文献(5)
  • 二级参考文献(0)
2015(3)
  • 参考文献(3)
  • 二级参考文献(0)
2016(3)
  • 参考文献(3)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(2)
  • 引证文献(2)
  • 二级引证文献(0)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
多标签学习
超网络
标签相关性
ApacheSpark
选择性集成学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
智能系统学报
双月刊
1673-4785
23-1538/TP
大16开
哈尔滨市南岗区南通大街145-1号楼
2006
chi
出版文献量(篇)
2770
总下载数(次)
11
总被引数(次)
12401
论文1v1指导