[发明专利]一种考虑了不均衡查询代价的多标签主动学习方法

摘要

本发明公开了一种考虑了不均衡查询代价的多标签主动学习方法，该方法引入了不均衡查询代价这一概念，在问题设定中做出了查询代价随已查询的标签数不断减小的假设，在原问题的基础上提出了不均衡查询代价的多标签主动学习这一新问题，使相关问题具有了更强的实际意义。

主权项

1.一种考虑了不均衡查询代价的多标签主动学习方法，其特征在于，包括：从数据集D中选取已标签数据集D_l来训练一个多标签分类模型，其中，数据集D为已标签数据集D_l与未标签数据集D_u的并集，数据集D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，n为实例的数量，实例x_i表示从文本数据中提取的一个d维的特征向量，每一维是一个实数，i＝1,2,…,n；y_i＝(y_i1y_i2…y_iK)^T表示实例x_i对应的标签，K表示标签的最大数量；结合多标签分类模型使用初始阶段的策略，从未标签的数据集中选择一个实例‑标签对进行查询，并将所选择的标签从相应实例的未知标签集合中删除；同时，如果所选择的实例属于未标签的数据子集则将相应实例移入已标签数据集D_l，否则将相应实例从移入其中，在每K次查询后，均更新多标签分类模型；同时，利用更新后的多标签分类模型使用初始阶段的策略选择实例‑标签对进行查询，当选取的实例‑标签对达到一定数量时，使用稳定阶段的策略来选取实例‑标签对，直至拥有足够数量的实例‑标签对。