基于布尔矩阵分解和神经网络的多标签学习

摘要

在多标签学习中，利用标签相关性提升预测性能是研究重点.基于矩阵分解的方法通过构建潜在标签，获得从数据到标签空间更本质的映射.然而，实数矩阵分解缺乏语义解释，且常用的线性映射拟合能力有限.因此，本文提出了一种基于布尔矩阵分解和神经网络的多标签学习方法MLBF.具体而言，布尔矩阵维持了标签关于有/无的语义特征，利用所提出的启发式分解算法效率高且效果好；神经网络提供非线性的拟合能力，且有效利用并行计算资源以应对大数据集.本研究在13个基准数据集上进行了实验，采用了8种流行的算法进行比较，并通过5个常用指标对它们进行了评估.实验结果表明，MLBF在这些指标的平均排名分别为1.92,2.5,2.38,2.23,2.46.

关键词

布尔矩阵分解 / 多标签学习 / 神经网络