[发明专利]基于深度有监督特征选择的社会关系识别方法及系统

权利要求书

1.一种基于深度有监督特征选择的社会关系识别方法，其特征在于，包括以下步骤：

通过多个特征提取器生成两个人之间关系的表示；

将深度学习算法与l_2，1范式相结合，通过学习稀疏加权矩阵从多源特征中选择最优特征子集；

利用所选特征，使用Softmax分类器计算输入对在社会关系类别上的概率分布；

权重矩阵稀疏优化，使用l_2，1稀疏权重矩阵，去除冗余特征。

2.根据权利要求1所述的基于深度有监督特征选择的社会关系识别方法，其特征在于，所述的将深度学习算法与l_2，1范式相结合，通过学习稀疏加权矩阵从多源特征中选择最优特征子集，具体包括如下步骤：

对于基于组的特征选择策略，所选择特征表示为

其中a_i表示第i个属性的特征，是与该属性对应的权重矩阵，k是属性的个数，|a_i|表示a_i的特征维度，d^s表示属性维度；

对于基于维度的特征选择，将所有属性的特征向量串联，即所选特征可重写为

式中，和

3.根据权利要求1所述的基于深度有监督特征选择的社会关系识别方法，其特征在于，所述的利用所选特征，使用Softmax分类器计算输入对在社会关系类别上的概率分布，具体包括如下步骤：

利用特征选择模块输出的最优特征子集，使用Softmax分类器计算输入对在社会关系类别上的概率分布；对于已选择的最优特征子集f^s，概率计算公式为：

其中p_j是向量p的第j个元素，表示输入对属于关系c_j的概率，M表示M个类别。

4.根据权利要求1所述的基于深度有监督特征选择的社会关系识别方法，其特征在于，所述权重矩阵稀疏优化，具体包括如下步骤：

在每次迭代中，抽取B组人像对表示为T，并最小化目标损失函数L，公式为：

其中g_t是t组的真实关系，表示t组的预测为g_t的概率，W代表了权重矩阵，它可以是基于组的特征选择策略中的权重w_i或基于维度的特征选择策略中的权重上式中的第一项是交叉熵损失函数，其目的是训练Softmax分类器，第二项reg(·)表示权重矩阵的正则化；采用随机梯度下降算法学习最优权值；为了得到稀疏的权矩阵W，将损失函数l的正则化项用l_2，1范数表示，参数α用于平衡其在损失函数中的影响；

基于组的特征选择策略是在属性层面选择特征子集，其正则化项可写为：

其中||W_i||F是W_i的Frobenius范数；基于维度的特征选择策略是在维度层面上选择特征子集；根据上式，对权重矩阵应用L_2，1范数，其正则化项可写为：

式中，表示的第(r，c)个元素，是的第c列向量；为了保证所提出策略在维度层面进行特征选择，强制权重矩阵中的每一列尽可能稀疏。

5.一种基于深度有监督特征选择的社会关系识别系统，其特征在于，包括：

特征提取模块，通过多个特征提取器生成两个人之间关系的表示；

特征选择模块，将深度学习算法与l_2，1范式相结合，通过学习稀疏加权矩阵从多源特征中选择最优特征子集；

分类模块，利用所选特征，使用Softmax分类器计算输入对在社会关系类别上的概率分布；

权重矩阵稀疏优化模块，使用l_2，1范式稀疏所学习的权重矩阵，去除冗余特征。