应用k-means算法实现标记分布学习

• 作者: 杨文元 赵红 邵东恒
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 标记分布 聚类 k-means 闵可夫斯基距离 多标记 权重矩阵 均值向量 softmax函数
• 年，卷（期）: 2017,（3）
• 页码范围: 325-332
• 页数: 8页
• 分类号: TP181
• 字数: 5992字
• 语种: 中文
• DOI: 10.11992/tis.201704024

摘要

标记分布学习是近年来提出的一种新的机器学习范式,它能很好地解决某些标记多义性的问题.现有的标记分布学习算法均利用条件概率建立参数模型,但未能充分利用特征和标记间的联系.本文考虑到特征相似的样本所对应的标记分布也应当相似,利用原型聚类的k均值算法(k-means),将训练集的样本进行聚类,提出基于k-means算法的标记分布学习(label distribution learning based on k-means algorithm,LDLKM).首先通过聚类算法k-means求得每一个簇的均值向量,然后分别求得对应标记分布的均值向量.最后将测试集和训练集的均值向量间的距离作为权重,应用到对测试集标记分布的预测上.在6个公开的数据集上进行实验,并与3种已有的标记分布学习算法在5种评价指标上进行比较,实验结果表明提出的LDLKM算法是有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵红	闽南师范大学粒计算重点实验室	12	34	3.0	5.0
2	杨文元	闽南师范大学粒计算重点实验室	14	33	3.0	5.0
3	邵东恒	闽南师范大学粒计算重点实验室	1	12	1.0	1.0