[發明專利]基于標簽相關性的多標簽流特征確定最優特征子集的方法

在審

• 申請號: 202110680679.3
• 申請日: 2021-06-18
• 公開（公告）號: CN113344091A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 尤殿龍;王楊
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 劉翠芹

本發明涉及一種基于標簽相關性的多標簽流特征確定最優特征子集的方法，其包括以下步驟：任意的新特征以流的形式依次流入模型；對每個新特征進行在線顯著性分析；對非顯著的特征進行在線相關性分析；對候選特征集中的特征進行冗余性分析；重復以上步驟，直至沒有新的特征流入模型為止，最終獲得一個最優特征子集。本發明能從具有流特征和多標簽的數據中挖掘特征，并考慮標簽之間的相關性以增加算法的預測性能，同時降低學習的時間復雜度，滿足在線特征選擇的時效性要求。本發明應用廣泛，能應用于各種數據的特征選擇任務中，有助于在提取特征時過濾掉對任務無用的特征信息，從而提升了相關工作的工作效率。

技術領域

本發明屬于模式識別與數據挖掘領域，具體地提供一種基于標簽相關性的多標簽流特征確定最優特征子集的方法。

背景技術

隨著計算機技術的普及和蓬勃發展，數據信息越來越復雜多變，如何從海量的數據信息中篩選有用的信息是大數據時代我們亟待解決的關鍵問題；特征選擇作為一種通過剔除不相關特征和冗余特征來獲得“最優特征子集”的特征降維技術，在大數據背景下受到了研究人員的廣泛關注。

在復雜多變的數據中，一個實例可能不僅僅只是用一個標簽來表示，它可能與多個標簽相關聯，例如，一個web垃圾郵件可以同時被標記為“欺詐”和“病毒”；同時，多標簽數據中標簽之間往往存在相互依賴、相互關聯的關系，例如，如果一幅圖像被標記為“草原”和“獅子”，那么它被標記為“非洲”的可能性很大；如何有效地發掘標簽之間的相互關系，并將其應用到特征選擇中，是特征選擇算法提升性能的關鍵；同時，在大多數的情況下，數據的特征空間可能是未知的并且可能趨于無限大，隨著時間的推移，特征依次流入，需要實時在線處理，因此對特征進行實時在線處理是非常必要的。

另外，多標簽流特征選擇已經滲入到醫療、通信、娛樂、氣象等各個領域，涉及到我們生活和工作等各個方面；例如，YouTube上動態視頻的自動標注、動態情感識別、實時氣象監測、網絡垃圾郵件的實時過濾、隨需求不斷變化的推薦系統等；然而，在上述具有多標簽和流特征的應用場景中，考慮標簽之間的相關性進行特征選擇是一個巨大的挑戰。

現有的一些方法采用每個標簽獲得的“最優特征子集”的并集作為最終選擇的特征集來處理多標簽問題，但是這樣的方式會產生大量的冗余特征，從而導致預測性能下降。

傳統的一些被廣泛應用于特征選擇的方法能有效地提高多標簽數據的預測能力，但是這樣的方法不能實時動態地處理流特征問題。

還有一些方法采用對特征權重進行排序的方法篩選特征，但是這樣的方法會導致時間復雜度的增加，特別是在高維的特征空間中，因為它們幾乎要對所有的特征進行排序。

另外，還有少數方法雖然能有效地處理多標簽流特征數據的特征選擇問題，但是它們往往忽略了標簽之間相關性這個關鍵的因素；因此，如何有效地解決多標簽流特征選擇問題，并充分考慮標簽之間相關性對算法性能的影響，在數據挖掘領域顯得尤為重要。

發明內容

為了解決上述現有技術的不足，本發明提供一種基于標簽相關性的多標簽流特征確定最優特征子集的方法，能夠同時解決多標簽流特征數據的特征選擇問題，同時考慮標簽之間相關性從而進一步提升算法性能，有效地降低算法的時間復雜度，減少數據冗余性，提高相關工作效率。

具體地，本發明提供一種基于標簽相關性的多標簽流特征確定最優特征子集的方法，其包括以下步驟：

步驟S1、將多個標簽定義為標簽集L，其中l_j∈L，l_j為L中的第j個標簽，0≤j≤m，m為標簽的個數；

步驟S2、計算標簽集L中每個標簽的重要性權重LW(l_j)，其具體包括以下子步驟：