面向标记分布学习的标记增强

来源：计算机研究与发展杂志2017年第6期北京时间：

作者：耿新,徐宁,邵瑞枫,

摘要：多标记学习(multi-labellearning,MLL)任务处理一个示例对应多个标记的情况，其目标是学习一个从示例到相关标记集合的映射.在MLL中，现有方法一般都是采用均匀标记分布假设，也就是各个相关标记(正标记)对于示例的重要程度都被当作是相等的.然而，对于许多真实世界中的学习问题，不同相关标记的重要程度往往是不同的.为此，标记分布学习将不同标记的重要程度用标记分布来刻画，已经取得很好的效果.但是很多数据中却仅包含简单的逻辑标记而非标记分布.为解决这一问题，可以通过挖掘训练样本中蕴含的标记重要性差异信息，将逻辑标记转化为标记分布，进而通过标记分布学习有效地提升预测精度.上述将原始逻辑标记提升为标记分布的过程，定义为面向标记分布学习的标记增强.首次提出了标记增强这一概念，给出了标记增强的形式化定义，总结了现有的可以用于标记增强的算法，并进行了对比实验.实验结果表明：使用标记增强能够挖掘出数据中隐含的标记重要性差异信息，并有效地提升MLL的效果.

关键词：多标记学习, 标记分布学习, 标记增强, 逻辑标记, 标记分布,