基于互信息的粒化特征加权多标签学习k近邻算法

来源：计算机研究与发展杂志2017年第5期北京时间：

作者：李峰,苗夺谦,张志飞,张维,

摘要：传统基于k近邻的多标签学习算法，在寻找近邻度量样本间的距离时，对所有特征给予同等的重要度.这些算法大多采用分解策略，对单个标签独立预测，忽略了标签间的相关性.多标签学习算法的分类效果跟输入的特征有很大的关系，不同的特征含有的标签分类信息不同，故不同特征的重要度也不同.互信息是常用的度量2个变量间关联度的重要方法之一，能够有效度量特征含有标签分类的知识量.因此，根据特征含有标签分类知识量的大小，赋予相应的权重系数，提出一种基于互信息的粒化特征加权多标签学习k近邻算法(granularfeatureweightedk-nearestneighborsalgorithmformulti-labellearning,GFWML-kNN),该算法将标签空间粒化成多个标签粒，对每个标签粒计算特征的权重系数,以解决上述问题和标签组合爆炸问题.在计算特征权重时，考虑到了标签间可能的组合，把标签间的相关性融合进特征的权重系数.实验表明：相较于若干经典的多标签学习算法，所提算法GFWML-kNN整体上能取得较好的效果.

关键词：互信息, 特征权重, 粒化, 多标签学习, k-近邻,