基于马尔可夫链的学习方法的多标签集体分类

在本文中，我们研究了与实例相关并且与多个类标签相关联的多标签集体分类（MLCC）问题。 相互关联的实例之间的类标签的这种相关性存在于各种各样的数据中，例如，一个网页可以属于多个类别，因为它的语义可以通过不同的方式来识别，并且链接的网页与未链接的页面。 我们提出了一种有效且新颖的基于马尔可夫链的MLCC问题学习方法。 我们的想法是将问题建模为具有在过渡概率图上重新启动的马尔可夫链，并根据实例之间的亲和力将标记实例的排名得分传播到未标记实例。 通过显式使用从实例的内容派生的属性特征以及从实例的链接构造的相关性特征，可以建立实例之间的亲和力。 直观地讲，一个实例包含链接的邻居，这些邻居与具有特定类别标签的高等级的其他实例高度相似，因此具有很高的机会获得该类别标签。 已经在两个DBLP数据集上进行了广泛的实验，以证明所提出算法的有效性。 结果表明，所提出算法的性能优于二进制相关多标签算法，集体分类算法（wvRN，ICA和Gibbs）以及用于测试的MLCC问题的ICML算法。 （C）2014 Elsevier BV保留所有权利。