文献类型：期刊文章

作　　者：刘慧婷[1,2] 冷新杨[1,2] 王利利[1,2] 赵鹏[1,2]

LIU Hui-Ting;LENG Xin-Yang;WANG Li-Li;ZHAO Peng(Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education,Anhui University,Hefei 230601;School of Computer Science and Technology,Anhui University,Hefei 230601)

机构地区：[1]安徽大学计算智能与信号处理教育部重点实验室,合肥230601 [2]安徽大学计算机科学与技术学院,合肥230601

出　　处：《自动化学报》

基　　金：国家自然科学基金(61202227,61602004)资助~~

年　　份：2019

卷　　号：45

期　　号：10

起止页码：1969-1982

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：现有的一些多标签分类算法,因多标签数据含有高维的特征或标签信息而变得不可行.为了解决这一问题,提出基于去噪自编码器和矩阵分解的联合嵌入多标签分类算法Deep AE-MF.该算法包括两部分:特征嵌入部分使用去噪自编码器对特征空间学习得到非线性表示,标签嵌入部分则是利用矩阵分解直接学习到标签空间对应的潜在表示与解码矩阵.Deep AE-MF将特征嵌入和标签嵌入的两个阶段进行联合,共同学习一个潜在空间用于模型预测,进而得到一个有效的多标签分类模型.为了进一步提升模型性能,在Deep AE-MF方法中对标签间的负相关信息加以利用.通过在不同数据集上进行实验证明了提出Deep AE-MF方法的有效性和鲁棒性.

关 键 词：多标签分类  矩阵分解 去噪自编码器  标签嵌入  

分 类 号：TP391.1] TP181[计算机类]