Làm thế nào để áp dụng các mạng thần kinh trên các vấn đề phân loại đa nhãn?


12

Sự miêu tả:

Đặt miền vấn đề là phân loại tài liệu trong đó tồn tại một tập các vectơ đặc trưng, ​​mỗi thuộc về 1 hoặc nhiều lớp. Ví dụ, một tài liệu doc_1có thể thuộc SportsEnglishloại.

Câu hỏi:

Sử dụng mạng nơ ron để phân loại, nhãn sẽ là gì đối với một vectơ đặc trưng? nó sẽ là một vectơ cấu thành của tất cả các lớp sao cho giá trị 0 được trao cho các lớp không liên quan và 1 cho các lớp có liên quan? Vì vậy, nếu danh sách nhãn lớp là [Sports, News, Action, English, Japanese], thì đối với tài liệu doc_1nhãn sẽ là [1, 0, 0, 1, 0]gì?

Câu trả lời:


3

Có, trong học tập đa nhãn, thông tin nhãn thường được mã hóa dưới dạng vectơ nhị phân mà bạn mô tả. Nó cũng dễ dàng hơn để đánh giá.

Chúng tôi có thể muốn kiểm tra MULAN , một thư viện Java mã nguồn mở để học tập đa nhãn. Nó là một phần mở rộng của Weka và đã triển khai nhiều phân loại đa nhãn, bao gồm các mạng thần kinh. Ví dụ: bạn có thể tìm thấy BP-MLL tại đây .


8

Đây dường như là tờ giấy bạn đang tìm kiếm:

Min-Ling Zhang và Zhi-Hua Zhou: Mạng lưới thần kinh đa nhãn với các ứng dụng cho phân loại chức năng và phân loại văn bản

Từ tóm tắt:

Trong học tập đa nhãn, mỗi trường hợp trong tập huấn luyện được liên kết với một bộ nhãn và nhiệm vụ là xuất ra một bộ nhãn có kích thước không xác định trước cho mỗi trường hợp không nhìn thấy. Trong bài viết này, vấn đề này được đề cập trong theo cách mà một thuật toán mạng thần kinh có tên là BP-MLL, nghĩa là Backpropagation cho Multi-Label Learning, được đề xuất. ... Các ứng dụng cho hai vấn đề học tập đa nhãn trong thế giới thực, tức là phân loại chức năng và phân loại văn bản, cho thấy hiệu suất của BP-MLL vượt trội so với một số thuật toán học đa nhãn được thiết lập tốt.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.