資源描述：
《基于多示例和多標(biāo)記學(xué)習(xí)的文本分類技術(shù)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、南京大學(xué)研究生畢業(yè)論文基于多示例和多標(biāo)記學(xué)習(xí)的文本分類技術(shù)研究ResearchonTextCategorizationTechniquesbasedonMulti-·InstanceandMulti--LabelLearning南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系孫雨音導(dǎo)師：周志華教授二。一一年四月南京大學(xué)研究生畢業(yè)論文隨著互聯(lián)網(wǎng)和數(shù)字媒體技術(shù)的普及，數(shù)字文本的數(shù)量迅速增加，文本分類問題受到了研究者們的廣泛關(guān)注。多錄例學(xué)習(xí)由于其強(qiáng)大的表示能力可以更好地描述文本數(shù)據(jù)。許多情況下一個(gè)文檔與不止一個(gè)概念標(biāo)記相關(guān)，多標(biāo)記學(xué)習(xí)可以刻畫這種同時(shí)具有多個(gè)
2、標(biāo)記的對(duì)象。本文嘗試?yán)眯滦偷亩嗍纠龑W(xué)習(xí)和多標(biāo)記學(xué)習(xí)技術(shù)輔助提高文本分類技術(shù)的性能。本文取得的創(chuàng)新成果主要包括：1．針對(duì)文本數(shù)據(jù)維度很高的問題，提出了一種多示例降維方法MIDR。通過設(shè)計(jì)出基于關(guān)鍵示例假設(shè)的多示例降維優(yōu)化目標(biāo)函數(shù)，以及切空間梯度下降方法，可以有效地對(duì)多示例數(shù)據(jù)進(jìn)行降維。2．針對(duì)用戶對(duì)文本數(shù)據(jù)進(jìn)行標(biāo)注時(shí)往往只給出部分標(biāo)記的問題，提出了一種多標(biāo)記學(xué)習(xí)方法WELL。通過設(shè)計(jì)出基于密度劃分假設(shè)和顯式處理標(biāo)記不均衡性的優(yōu)化目標(biāo)函數(shù)，以及利用相似標(biāo)記共享低秩基，可以有效地對(duì)標(biāo)注不完整的樣本進(jìn)行多標(biāo)記學(xué)習(xí)。上述工作均經(jīng)過大量實(shí)驗(yàn)
3、驗(yàn)證，并在人工智能領(lǐng)域的頂級(jí)國際會(huì)議AAAIConferenceOilArtificialIntelligence’2010發(fā)表。冀翻：機(jī)器學(xué)習(xí)；文本分類；多示例學(xué)習(xí)；多標(biāo)記學(xué)習(xí)；降維；弱標(biāo)記學(xué)習(xí)南京大學(xué)研究生畢業(yè)論文WiththepopularityofInternetandmediatechnology,thevolumeofdigitaltext、increasesdramatically．Asa、resultresearchesontextcategorizationhaveattractedmuchattention．B
4、ecauseofitspowerfulrepresentationability,multi—instancelearningisconsideredmorepropertodescribetextdatathantraditionalsingle-instancemodel．What’Smore，consideringthatmostdocumentsarerelatedwithmorethanonetopic，multi-labellearning，whichstudiesthewholeassociatedlabelssim
5、ultaneously,iswidelyusedtoovercometheinefficacyofthetraditionalsingle-labellearning．Thisthesisfocusesonutilizingnovelmulti．instanceandmulti—labellearningtechniquetoimprovetheperformanceoftextcategorization．Indetail，maininnovativecontributionsofthisthesiscanbesummarize
6、dasfollows：1．Inordertodealwiththeproblemthattextdataalwayshavehighdimensionality,weproposeanovelmulti··instancedimensionalityreductionmethodMIDR·Wedesignanoptimizationobjectivefunctionconsideringthekeyinstanceassumptionofmulti-instancelearning，andusethegradientdecentm
7、ethodinthetangentspacetosolvethemulti-instancedimensionalityreductionproblemeffectively．2．Inordertodealwiththeproblemthatuserswillonlygivea¨partial¨setoflabelsfortextdata，weproposeamulti-labellearningmethodWELL．Wedesignanoptimizationobjectivefunctionconsideringlowdens
8、ityassumptionandclassimbalanceproblemsimultaneouslyandalsoexploitthecorrelationbetweenlabelsbyassumingthatthereisagroupoflow
