多標記學習及其在物流專家推薦中的應用.pdf

1、信息技術的飛速發(fā)展和互聯(lián)網技術的全面普及增強了用戶收集、存儲和傳輸數(shù)據的能力，與此同時也推動了“大數(shù)據時代”的到來。大數(shù)據當中蘊含豐富的信息，但同時也呈現(xiàn)出體量大和類型多等特征，這也就造成了難于處理和信息過載等問題。為了從海量的數(shù)據中獲取到滿足需求的指定信息，數(shù)據挖掘技術應運而生。而多標記學習又是當前數(shù)據挖掘領域的一個研究熱點，其可以有效的解決實際應用中的多標記分類等問題，因此，多標記學習已受到學術界和產業(yè)界的高度重視。
　　目前

2、，已經有許多研究者對多標記學習進行了系統(tǒng)的研究，提出了很多的多標記學習方法。但這些已有方法在應用中仍然存在一定問題，其中一個重要問題就是高維數(shù)據問題。為此，本研究將基于特征選取的Random Subspace方法引入到多標記學習當中，構建基于Random Subspace的分類器鏈方法RS-CC和基于Random Subspace的組合分類器鏈方法RS-ECC。首先，本文系統(tǒng)分析了多標記學習的研究現(xiàn)狀，明確了當前的研究問題和未來的研究方

3、向。其次，對多標記學習的相關基礎理論進行了系統(tǒng)研究，理解了機器學習、監(jiān)督學習和多標記學習等知識模塊。然后，針對高維數(shù)據條件下的多標記學習問題，考慮到分類器鏈方法的不穩(wěn)定性和組合分類器鏈方法在解決高維數(shù)據問題時的算法復雜程度高等劣勢，從特征提取的角度分別構建基于Random Subspace的分類器鏈方法RS-CC和基于Random Subspace的組合分類器鏈方法RS-ECC，并通過多個標準數(shù)據集對其有效性進行了檢驗。最后，將面向高維

4、數(shù)據的改進多標記鏈式學習方法RS-CC和RS-ECC應用于物流專家推薦這一高維并且多義的分類問題中，通過從科研之友社交網站上抓取的物流專家數(shù)據集對改進方法的有效性進行了檢驗。實驗結果表明，面向高維數(shù)據的改進多標記鏈式學習方法RS-CC和RS-ECC在多個應用領域都取得了較好的分類結果，能夠很好的處理高維數(shù)據多標記分類問題，從而驗證了本研究提出的改進方法的有效性。
　　通過本研究，一方面對多標記學習領域的相關理論進行了系統(tǒng)的分析，提