摘要：标记分布学习是近年来提出的-种新的机器学习范式, 它能很好地解决某些标记多义性的问题.现有的标 记分布学习算法均利用条件概率建立参数模型, 但未能充分利用特征和标记间的联系.本文考虑到特征相似的样 本所对应的标记分布也应当相似, 利用原型聚类的A均值算法（ A-means）, 将训练集的样本进行聚类, 提出基于A- means 算法的标记分布学习（label distribution learning based on A-means a1gorithm, LDLKM）.首先通过聚类算法 A- means求得每-个簇的均值向量, 然后分别求得对应标记分布的均值向量.最后将测试集和训练集的均值向量间的 距离作为权重, 应用到对测试集标记分布的预测上.在6 个公开的数据集上进行实验, 并与3 种已有的标记分布学 习算法在5 种评价指标上进行比较, 实验结果表明提出的LDLKM算法是有效的.
分类：期刊> 自然科学与工程技术> 信息科技> 自动化技术
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > JST 日本科学技术振兴机构数据库(日) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：标记分布 聚类 闵可夫斯基距离 多标记 权重矩阵 均值向量 softmax函数
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
