基于共现关系的多标签分类算法研究

摘要

分类问题一直是数据挖掘的研究热点。传统意义上的分类是以每个样本只对应一类标签为前提的。但随着互联网技术的不断发展，人们收集到的数据形式越来越复杂，数据样本也无法用单一标签准确描述。基于此，便产生了多标签分类学习问题。在此学习问题中，学习的目标是将多个合适的标签赋给未知的样本。
　　由上可知，多标签学习中标签之间是存在相关关系的。因此充分利用这些相关关系不仅能够提升分类性能，而且可以从少量数据中学习到有效信息，并扩展到大数据中。因此本文从标签相关性的角度出发，在现有的多标签算法中加入标签共现关系，来提升分类性能。主要的研究内容如下:
　　1.首先对多标签学习的概念进行了详细介绍，然后阐述了目前标签相关性的一些研究成果，为之后章节中基于标签相关性的多标签分类算法提供了理论支持以及参考依据。
　　2.详细介绍了Rakel算法思想，分析发现Rakel算法在标签选择过程中的缺少考虑标签相关关系，从而影响了算法的性能。本文针对这一缺点进行改进，提出基于标签相关性的改进算法，该方法构建共现矩阵来寻找标签之间的成对关系，从而提升了算法性能。并且通过实验验证了算法的有效性。
　　3.本文设计和实现了一种基于PwRakel算法的理财产品推荐系统。该系统首先通过爬虫算法从互联网中抓取最新的理财产品信息并进行数据处理，之后利用多标签分类技术对理财产品的标签进行预测，最后根据不同的用户需求推荐合适的理财产品。

目录

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 数据分类研究现状

1．2．2 标签相关性的研究现状

1．3 本文主要内容以及章节安排

1．3．1 主要内容

1．3．2 章节安排

第2章 相关概念及理论

2．1 多标签分类的定义

2．2 标签相关性

2．2．1 无条件标签相关

2．2．2 条件标签相关

2．3 多标签算法分类

2．3．1 问题转换

2．3．2 算法适应

2．4 本章小结

第3章 基于成对标签的PwRakel算法

3．1 引言

3．2 PwRakel算法

3．3 算法描述

3．4 本章小结

第4章 实验及结果分析

4．1 评价指标

4．2 实验数据集

4．3 实验结果

4．4 结果比较及分析

4．5 本章小结

第5章 理财产品推荐系统设计

5．1 系统技术架构

5．2 系统功能架构

5．3 系统详细设计

5．3．1 数据提取和整理模块

5．3．2 数据训练系统

5．3．3 数据库物理设计

5．4 理财产品推荐模块

5．5 本章小结

第6章 总结与展望

6．1 工作总结

6．2 未来展望

参考文献

攻读学位期间取得的研究成果

致谢

声明