申请/专利权人：北京交通大学

申请日：2020-05-15

公开（公告）日：2024-04-02

公开（公告）号：CN111581467B

主分类号：G06F16/906

分类号：G06F16/906;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.09.18#实质审查的生效;2020.08.25#公开

摘要：本发明提供了一种基于子空间表示和全局消歧方法的偏标记学习方法。该方法包括：构建特征矩阵和候选标记矩阵；基于构建特征矩阵和候选标记矩阵，构建特征子空间学习模型和标记全局消歧模型；综合特征子空间学习模型和标记全局消歧模型得到混合模型，采用交替优化方法求解混合模型，得到多分类模型、映射矩阵和偏标记置信度矩阵；根据多分类模型和映射矩阵对未见示例进行分类，计算出未见示例的多个标记值，将预测置信度最高的标记值对应的标记确定为未见示例所属的标记类别。本发明可同时利用特征子空间表示法和标记全局消歧方法，同时从特征和标记两方面解决偏标记学习问题，所获特征具有更强表征能力；生成的标记置信度矩阵有更好的消歧效果。

主权项：1.一种基于子空间表示和全局消歧方法的偏标记学习方法，其特征在于，包括：构建特征矩阵和候选标记矩阵；构建特征矩阵X∈[0，1]dxn，其中d和n分别表示特征维度数目和样本数目，构建候选标记矩阵Y∈{0，1}mxn，其中m和n分别表示类别数目和样本数目，初始化标记置信度矩阵P∈[0，1]mxn，其中m和n分别表示类别数目和样本数目，P的数值越接近于1，说明该标记是示例的真实标记的可能性越大；P的数值越接近于0，说明该标记是示例的真实标记的可能性越小；基于所述构建特征矩阵和候选标记矩阵，构建特征子空间学习模型和标记全局消歧模型；构建特征子空间学习模型，利用特征子空间学习模型学习得到新的特征表示，生成映射矩阵其中d与d′分别表示原始特征空间的维度与子空间的特征维度；构建标记全局消歧模型，利用标记全局消歧模型训练得到新的特征表示和候选标记矩阵，利用所述标记全局消歧模型生成偏标记置信度矩阵P∈[0，1]mxn，多分类模型其中d′与m分别表示子空间的特征维度与类别数目，综合所述特征子空间学习模型和所述标记全局消歧模型得到混合模型，包括：生成多分类模型对多分类模型增加Frobenius范数约束，使用相同的正则化参数λ控制特征的语义一致性和标记的局部一致性，合并各项后，综合了子空间学习模型和全局消歧模型的混合模型的目标函数表示如下： s.t.0≤P≤YQTQ＝Id‘，采用交替优化方法求解所述混合模型，得到多分类模型、映射矩阵和偏标记置信度矩阵；根据所述多分类模型和所述映射矩阵对未见示例进行分类，计算出所述未见示例的多个标记值，将预测置信度最高的标记值对应的标记确定为所述未见示例所属的标记类别；所述的构建特征子空间学习模型，利用特征子空间学习模型学习得到新的特征表示，生成映射矩阵其中d与d′分别表示原始特征空间的维度与子空间的特征维度，包括：构建子空间学习模型，生成映射矩阵使用K近邻的方法构建示例的相似度矩阵构建图拉普拉斯矩阵L＝D-S，D是一个对角矩阵，对角元素为相似度矩阵S每一行的和，对所述映射矩阵加上图拉普拉斯约束TrQTXLXTQ；设正交约束QTQ＝Id‘，其Id‘中是尺寸为d′的单位矩阵，采用了最小二乘损失学习新生成的特征表示与标记空间的映射关系，合并各项后，子空间学习模型的目标函数表示如下： s.t.QTQ＝Id‘其中，λ1为超参数，用于调节正则项在损失函数中的比重，XT代表X的转置，PT代表P的转置；所述的构建标记全局消歧模型，利用标记全局消歧模型训练得到新的特征表示和候选标记矩阵，利用所述标记全局消歧模型生成偏标记置信度矩阵P∈[0，1]mxn，多分类模型其中d′与m分别表示子空间的特征维度与类别数目，包括：构建全局消岐策略模型，生成映射矩阵和偏标记置信度矩阵P∈[0，1]mxn，在训练全局消歧策略模型的过程中，利用标记上下文语义信息从整体对偏标记候选矩阵消歧，生成偏标记置信度矩阵P∈[0，1]mxn，对偏标记置信度矩阵P加上l1的范数约束，对偏标记置信度矩阵P加上图拉普拉斯约束TrPLPT，在偏标记置信度矩阵P中引入不等式约束，确保偏标记置信度矩阵P中的每一项都大于等于零，并且小于等于原来的候选标记；合并各项后，全局消岐策略模型的目标函数表示如下： s.t.0≤P′≤Y其中，λ2，β为超参数，用于调节正则项在损失函数中的比重。

全文数据：

权利要求：

百度查询： 北京交通大学 基于子空间表示和全局消歧方法的偏标记学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD