[发明专利]一种基于流型矩阵补全的多标签分类方法

摘要

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。

主权项

1.一种基于流型矩阵补全的多标签分类方法，其特征在于，包括以下步骤：S1、初始化多标签学习矩阵M；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；S2、初始化矩阵Z，使得Z与M的秩为1；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,...,μk中的一个值，k为常数，且μ1＞μ2＞...＞μk，||Z||*为Z的核范数，γ为正则惩罚因子，zm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；Loss(Z)为Z的损失且其中i＝1,2,…N，j＝1,2,…N，N为常数，c_x和c_y分别为针对特征矩阵X和标签矩阵Y的两种不同的损失函数，特征矩阵X包括X_L和X_U，标签矩阵Y包括Y_L和Y_U，Ω_X为M中各特征向量对应的下标集合，Ω_Y为M中各标签向量对应的下标集合，x为M中的特征向量，y为M中的标签向量，z为Z中的向量，λ为常数参数；R(Z_y)为Z_y的流型正则化且其中Tr(·)为求矩阵的迹的运算，L为关于特征矩阵X的拉普拉斯矩阵，Z_y＝[Z_yL,Z_yU]；S3、对Z进行梯度下降更新，得到矩阵所述S3中其中：τ为梯度下降速率，|Ω_Y|、|Ω_X|分别为Ω_Y、Ω_X的模，为未被标记的特征对应的标签矩阵Y_U的下标集合，l为L的列向量，λ、α为常数参数；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。