[發明專利]一種基于度量學習的多示例多標記分類方法

在審

• 申請號: 201810178168.X
• 申請日: 2018-03-05
• 公開（公告）號: CN108491865A
• 公開（公告）日: 2018-09-04
• 發明（設計）人: 胡海峰;崔志鍇
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽;杜春秋

1.一種基于度量學習的多示例多標記分類方法，其特征在于，包括以下步驟：

第一步、在多示例多標記數據集中，選取一部分作為訓練集；

第二步、在訓練集中根據每個標記對應的包，得到初始的原型包；

第三步、采用多示例多標記距離度量學習構建、優化目標函數；

第四步、求包與包之間的平均豪斯多夫距離，然后根據包與包之間的平均豪斯多夫距離，得到每個包的參考近鄰和引證近鄰；

第五步、統計每個包的參考近鄰和引證近鄰中每個標記的個數，得到L維的包的標記計數向量，根據L維的包的標記計數向量構建一個L維的線性分類器；

第六步、完成對未知標記的包的預測。

2.根據權利要求1所述一種基于度量學習的多示例多標記分類方法，其特征在于，第一步中，選取的訓練集大小為多示例多標記數據集的2/3～4/5。

3.根據權利要求1所述一種基于度量學習的多示例多標記分類方法，其特征在于，第二步中，獲取初始原型包的方法如下：首先確定每個包具有哪些標記，然后根據每個標記所對應的包中示例，得到所有示例的均值，即得到初始的原型包，將初始的原型包記為Z，原型包的集合為Z_l，則其中K為原型包中示例的個數，l為第l個標記。

4.根據權利要求1所述一種基于度量學習的多示例多標記分類方法，其特征在于，第三步中，采用多示例多標記距離度量學習構建、優化目標函數的具體方法如下：

3.1、基于多示例多標記距離度量學習構建目標函數，將初始化的度量學習矩陣記為A，設置初始化的度量學習矩陣A為單位矩陣；

3.2尋找、計算每個包與其相關標記的原型包的關鍵示例對，忽略非關鍵示例對；

3.3、使用交替迭代的策略，固定原型包Z，并在關鍵示例對中優化度量學習矩陣A；

3.4、固定度量學習矩陣A，優化原型包Z。

5.根據權利要求1所述一種基于度量學習的多示例多標記分類方法，其特征在于，第六步中，預測未知標記包的方法具體如下：

6.1、計算整個訓練集中包與包之間的平均豪斯多夫距離；

6.2、得到未知標記包的參考近鄰和引證近鄰；

6.3、完成對包的標記預測。