基于标签相关性的标签特定特征多标签学习

针对标签特定特征多标签学习算法(multi-label learning with label-specific features, LIFT)未能在聚类以及分类阶段考虑标签相关性问题，提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specific features via label correlations, LFLC).将标签空间加入特征空间进行聚类构建分类模型，采用考虑标签相关性的聚类集成技术为每个标签构造标签特定特征，使用相关性矩阵构建无向完全图并挖掘图中标签集合相关性，通过树集成表达标签间多种不同结构的强相关性.在试验部分，采用涵盖不同领域的10个数据集，以Hamming Loss、Ranking Loss、One-error、Coverage、Average Precision和macroAUC为评估指标，进行了参数敏感性分析和统计假设检验.结果表明：结合聚类集成与标签间强相关性的LFLC算法较其他对比多标签算法整体上能取得较好的效果.