亢浏越,黄 睿,孙广玲

(上海大学通信与信息工程学院,上海 200444)

在传统的机器学习框架中,一个对象只与单一类别的标签相关联[1].然而,在实际应用中,对象往往不是具有唯一语义的.例如,一篇新闻报道可以同时属于“经济”和“体育”类,一幅图像可以同时标注为“大海”和“天空”等.此时,传统的机器学习框架难以取得较好的分类效果.为了更好地描述数据对象,需要给每个对象赋予多个合适的类别标签,多标签学习也由此产生.目前,多标签学习已被广泛应用于文本分类[2-3]、图像标注[4-5]、音乐情感分类[6-7]等领域.

随着多标签学习研究的不断深入,涌现出大量多标签分类算法.这些算法大致可分为问题转换和算法改造两大类.问题转换是将多标签分类转换成多个单标签分类,再利用已有的单标签分类方法进行处理.代表性算法有二元关联(binary relevance,BR)法[4]、分类器链(classifier chain,CC)算法[8]、RAkEL(RAndom k-LabELsets)算法[9]等.算法改造是指通过改造单标签学习算法,使其能够直接用于多标签学习问题.代表性算法有多标签k 近邻(multi-label k-nearest neighbor,ML-kNN)算法[10]、排序支持向量机(ranking support vector machine,Rank-SVM)算法[11]、反向传播多标签学习(back-propagation multi-label learning,BP-MLL)法[12]等.

多标签流形学习(multi-label manifold learning,ML2)[13]是一种特殊的算法改造方法,先利用局部线性嵌入(local linear embedding,LLE)流形学习思想对类别标签的重要性进行量化,将逻辑型类别标签映射为数值型类别标签,再采用多输出支持向量回归进行分类.数值型标签可以指示同一样本不同标签的重要性程度,还能指示同一标签对不同样本的重要性程度.因此,数值型标签……