多標籤分類(A Review on Multi-Label Learning Algorithms)

一、multi label是什麼？

       傳統監督學習主要是單標籤學習，而現實生活中目標樣本往往比較複雜，具有多個語義，含有多個標籤，比如一部電影可以同時被分爲喜劇片和動作片，一則新聞可以同時屬於政治和法律。

二、多標籤任務定義：

     X=Rd 表示d維的輸入空間，Y={y1,y2,...,yq}表示帶有q個可能標籤的標籤空間。

訓練數據D(xi,yi), xi是一個d維的向量，yi是Y的一個標籤子集;

學習得到想，y相關聯函數f(xi,yi)

三、多標籤任務的難點

        在考慮標籤之間的的關聯性；多標籤學習的主要難點在於輸出空間的爆炸增長，比如10個標籤，輸出空間就有210，爲了應對指數複雜度的標籤空間，需要挖掘標籤之間的相關性。

四、挖掘多標籤之間相關性的三種策略

1. 忽略和其它標籤的相關性，比如把多標籤分解成多個獨立的二分類問題（簡單高效）。忽略標籤之間的聯繫
2. 考慮標籤之間的成對關聯，比如爲相關標籤和不相關標籤排序。靈活性不強，只考慮關聯對
3. 考慮多個標籤之間的關聯，比如對每個標籤考慮所有其它標籤的影響（效果最優）   

  

五、評價指標

• 1、基於樣本的評價指標（先對單個樣本評估表現，然後對多個樣本取平均）
• 2、基於標籤的評價指標（先考慮單個標籤在所有樣本上的表現，然後對多個標籤取平均）

​​​​​​​