[发明专利]一种面向层次标记样本的隐多标记分类方法

权利要求书

1.一种面向层次标记样本的隐多标记分类方法，其特征在于：包括以下步骤：

(1)用户从存储设备中选择训练样本；

(2)根据训练样本，提取特征集合，标注层次标记集合；

(3)根据编码规则，将训练样本的层次标记集合编码为隐多标记集合；

(4)根据训练样本的特征集合与隐多标记集合，学习隐多标记分类器；

(5)使用隐多标记分类器对测试样本进行分类；

(6)根据解码规则，将测试样本的隐多标记集合解码为层次标记集合；

(7)若用户对分类结果满意，则过程结束；否则，从存储设备中选择更多训练样本，转到步骤(2)。

2.根据权利要求1所述的面向层次标记样本的隐多标记分类方法，其特征在于：步骤(2)中，根据训练样本，提取特征集合，标注层次标记集合，具体为：将训练集定义为其中，x_i是m维特征向量，Y_i是与x_i关联的标记集合；特别地，标记全集C组成了一棵标记树，标记集合Y_i对应于一条由根到叶的标记路径。

3.根据权利要求1所述的面向层次标记样本的隐多标记分类方法，其特征在于：步骤(3)中，根据编码规则，将训练样本的层次标记集合编码为隐多标记集合，具体为：将标记集合转化为标记向量y_i∈{-1,0,1}^l；其中，对于任意标记结点c_k而言：

(1)如果c_k∈Y_i，则c_k与x_i关联，令y_k＝1。

(2)否则，如果parent(c_k)∈Y_i，则c_k与x_i不关联，令y_k＝-1。

(3)否则，无法确定c_k与x_i是否关联，令y_k＝0。

4.根据权利要求1所述的面向层次标记样本的隐多标记分类方法，其特征在于：步骤(4)中，根据训练样本的特征集合与隐多标记集合，学习隐多标记分类器，具体为：以条件随机场作为隐多标记分类器。给定特征向量x，标记向量y∈{-1,1}^l的概率被定义为

其中，f(x)是特征映射函数，A与W是参数，A描述了标记之间的相关性，W描述了标记与特征的相关性；

由于标记向量y分为显标记向量v与隐标记向量h，因此原式可以写为

P(y|x；A,W)＝P(v,h|x；θ)

其中，参数θ＝(A,W)。然后，优化目标即为

此时，梯度即为

其中，这里，可以得到

因此，梯度可以通过采样近似；吉布斯采样迭代公式为

当吉布斯采样收敛到平稳分布时，即可通过采样近似计算梯度。

5.根据权利要求1所述的面向层次标记样本的隐多标记分类方法，其特征在于：步骤(5)中，使用隐多标记分类器对测试样本进行分类，具体为：首先初始化标记向量y₀，然后根据吉布斯采样迭代公式，每次迭代都选择最有可能的标记向量y_t+1，最后当y_t+1＝y_t时，可以得到标记向量y＝y_t与概率向量p满足p_k＝P(y_t+1,k＝1|y_t)。

6.根据权利要求1所述的面向层次标记样本的隐多标记分类方法，其特征在于：步骤(6)中，根据解码规则，将测试样本的隐多标记集合解码为层次标记集合，具体为：根据概率向量p，依次从标记树中自顶向下选择最有可能的标记，形成一条自根到叶的标记路径，可以标记集合Y。