[发明专利]一种基于流型矩阵补全的多标签分类方法

说明书

本发明公开了一种基于流型矩阵补全的多标签分类方法，通过在利用矩阵补全进行的多标签学习的过程中增加对特征间流型性假设的考虑，可以较为明显地提高多标签分类算法识别的效率。本发明提供的多标签分类方法从海明损失、平均精度以及覆盖率三个多标签学习的指标上来看，与现有技术相比都有较大的提升。

技术领域

本发明属于标签分类技术领域，具体涉及一种基于流型矩阵补全的多标签分类方法的设计。

背景技术

多标签分类问题普遍存在，它较之普通的二类分类问题在实际应用中更为实用。比如，对internet上的图片进行分类标注时，由于图片上的目标往往有多个(同一张图片可能会同时属于多个类别)，很难用普通的二类分类方法将其归类成两类，而归类成多标签更为合适，比如图片集合中的目标共有5类，那么某一张有3个目标的图片的标注可能是(0,1,0,1,1)，表示这张图片属于第二、四和五类。

矩阵补全是一种有效的多标签学习的技术，它利用样本和标签之间的线性相关性，对无标记的样本的标签进行预测。其主要原理是构造一个“特征+标签”的组合向量作为矩阵的行矩阵或者列矩阵，其中将要预测的特征的标签置为0，以此利用矩阵补全运算来计算出要预测特征的真实标签(+1和-1)。这种多标签学习方案合理地利用了特征之间的线性相关性来进行未知标签的预测，但是忽略了特征之间的平滑性假设的性质(特征的流型假设)，即相似的特征应对应同样的分类标签，而差异较大的特征应赋予不同的标签。而这种性质在标签预测中具有重要的作用。

发明内容

本发明的目的是为了解决现有技术中矩阵补全技术忽略了特征之间的平滑性假设的性质的问题，提出了一种基于流型矩阵补全的多标签分类方法。

本发明的技术方案为：一种基于流型矩阵补全的多标签分类方法，包括以下步骤：

S1、初始化多标签学习矩阵M；

S2、初始化矩阵Z，使得Z与M的秩为1近似；

S3、对Z进行梯度下降更新，得到矩阵

S4、对进行SVD分解操作，得到矩阵Z′；

S5、判断Z′是否满足设定的收敛条件，若是则分类计算结束，否则返回S3。

进一步地，S1中其中X_L为被标记的特征矩阵，Y_L为被标记的特征对应的标签矩阵，X_U为未被标记的特征矩阵，Y_U为待求的未被标记的特征对应的标签矩阵。

进一步地，Y_U的初始值为0。

进一步地，S2具体为：

构造与M同阶的矩阵其中Z_yL与Y_L同阶，Z_yU与Y_U同阶Z_x与M_x＝[X_L,X_U]同阶；同时满足：Z_yL与Y_L之间的损失以及Z_x与M_x之间的损失最小，Z_yU与M_x流型相似，即：

其中μ依次取μ₁,μ₂,...,μ_k中的一个值，k为常数，且μ₁＞μ₂＞...＞μ_k，||Z||^*为Z的核范数，γ为正则惩罚因子，z_m为矩阵Z的最后一行，t为M中标签向量的维度，d为M中特征向量的维度；