基于非负矩阵分解与稀疏表示的多标签分类算法

doi:10.11772/j.issn.1001-9081.2021050706

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (5): 1375-1382.DOI: 10.11772/j.issn.1001-9081.2021050706

所属专题：人工智能

基于非负矩阵分解与稀疏表示的多标签分类算法

包永春¹(), 张建臣², 杜守信¹, 张军军¹

^1.西安工程大学计算机科学学院，西安 710048
^2.德州学院计算机与信息学院，山东德州 253023

收稿日期:2021-05-06 修回日期:2021-09-07 接受日期:2021-09-16 发布日期:2022-03-08 出版日期:2022-05-10
通讯作者: 包永春
作者简介:包永春（1996—），男，山东菏泽人，硕士研究生，主要研究方向：机器学习、数据挖掘、人工智能 baoyongchun2014@163.com
张建臣（1974—），男，山东微山人，副教授，硕士，主要研究方向：人工智能、大数据分析
杜守信（1995—），男，山东菏泽人，硕士，主要研究方向：智能制造
张军军（1994—）男，陕西咸阳人，硕士，主要研究方向：人工智能、机器学习、深度学习。
基金资助:
西安市科技计划项目(2020KJRC0027)

Multi-label classification algorithm based on non-negative matrix factorization and sparse representation

Yongchun BAO¹(), Jianchen ZHANG², Shouxin DU¹, Junjun ZHANG¹

^1.School of Computer Science，Xi’an Polytechnic University，Xi’an Shaanxi 710048，China
^2.School of Computer and Information，Dezhou University，Dezhou Shandong 253023，China

Received:2021-05-06 Revised:2021-09-07 Accepted:2021-09-16 Online:2022-03-08 Published:2022-05-10
Contact: Yongchun BAO
About author:BAO Yongchun， born in 1996，M. S. candidate. His research interests include machine learning，data mining，artificial intelligence.
ZHAGN Jianchen， born in 1974，M. S.，associate professor. His research interests include artificial intelligence，big data analysis.
DU Shouxin， born in 1995，M. S. His research interests include intelligent manufacturing.
ZHANG Junjun， born in 1994，M. S. His research interests include artificial intelligence，machine learning，deep learning.
Supported by:
Xi’an Science and Technology Program(2020KJRC0027)

摘要/Abstract

摘要：

传统的多标签分类算法是以二值标签预测为基础的，而二值标签由于仅能指示数据是否具有相关类别，所含语义信息较少，无法充分表示标签语义信息。为充分挖掘标签空间的语义信息，提出了一种基于非负矩阵分解和稀疏表示的多标签分类算法（MLNS）。该算法结合非负矩阵分解与稀疏表示技术，将数据的二值标签转化为实值标签，从而丰富标签语义信息并提升分类效果。首先，对标签空间进行非负矩阵分解以获得标签潜在语义空间，并将标签潜在语义空间与原始特征空间结合以形成新的特征空间；然后，对此特征空间进行稀疏编码来获得样本间的全局相似关系；最后，利用该相似关系重构二值标签向量，从而实现二值标签与实值标签的转化。在5个标准多标签数据集和5个评价指标上将所提算法与MLBGM、ML²、LIFT和MLRWKNN等算法进行对比。实验结果表明，所提MLNS在多标签分类中优于对比的多标签分类算法，在50%的案例中排名第一，在76%的案例中排名前二，在全部的案例中排名前三。

关键词: 多标签分类, 非负矩阵分解, 稀疏表示, 多输出回归, 机器学习

Abstract:

Traditional multi-label classification algorithms are based on binary label prediction. However， the binary labels can only indicate whether the data has relevant categories， so that they contain less semantic information and cannot fully represent the label semantic information. In order to fully mine the semantic information of label space， a new Multi-Label classification algorithm based on Non-negative matrix factorization and Sparse representation （MLNS） was proposed. In the proposed algorithm， the non-negative matrix factorization and sparse representation technologies were combined to transform the binary labels of data into the real labels， thereby enriching the label semantic information and improving the classification effect. Firstly， the label latent semantic space was obtained by the non-negative matrix factorization of label space， and the label latent semantic space was combined with the original feature space to form a new feature space. Then， the global similarity relation between samples was obtained by the sparse coding of the obtained feature space. Finally， the binary label vectors were reconstructed by using the obtained similarity relation to realize the transformation between binary labels and real labels. The proposed algorithm was compared with the algorithms such as Multi-Label classification Based on Gravitational Model （MLBGM）， Multi-Label Manifold Learning （ML²）， multi-Label learning with label-specific FeaTures （LIFT） and Multi-Label classification based on the Random Walk graph and the K-Nearest Neighbor algorithm （MLRWKNN） on 5 standard multi-label datasets and 5 evaluation metrics. Experimental results show that， the proposed MLNS is better than the compared multi-label classification algorithms in multi-label classification， the proposed MLNS ranks top1 in 50% cases， top 2 in 76% cases and top 3 in all cases.

Key words: multi-label classification, non-negative matrix factorization, sparse representation, multiple output regression, machine learning

中图分类号:

TP181

包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 计算机应用, 2022, 42(5): 1375-1382.

Yongchun BAO, Jianchen ZHANG, Shouxin DU, Junjun ZHANG. Multi-label classification algorithm based on non-negative matrix factorization and sparse representation[J]. Journal of Computer Applications, 2022, 42(5): 1375-1382.

图/表 4

表1 数据集属性

Tab. 1 Dataset properties

数据集	\|S\|	D（S）	$L (S)$	$L C a r d (S)$	$L D e n (S)$	领域
emotions	593	72	6	1.868	0.311	音频
image	2 000	294	5	1.236	0.247	图像
yeast	2 417	103	14	4.237	0.303	生物
Corel5k	5 000	499	374	3.522	0.009	图像
Slashdot	24 072	1 079	291	4.151	0.014	文本

表1 数据集属性

Tab. 1 Dataset properties

数据集	\|S\|	D（S）	$L (S)$	$L C a r d (S)$	$L D e n (S)$	领域
emotions	593	72	6	1.868	0.311	音频
image	2 000	294	5	1.236	0.247	图像
yeast	2 417	103	14	4.237	0.303	生物
Corel5k	5 000	499	374	3.522	0.009	图像
Slashdot	24 072	1 079	291	4.151	0.014	文本

表2 不同算法在多标签数据集上的性能（均值±标准差）

Tab. 2 Performance of different algorithms on multi-label datasets （mean value±standard deviation）

算法	one-error↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.253±0.018	0.250±0.021	0.225±0.013	0.658±0.008	0.516±0.016
MLBGM	0.354±0.030	0.314±0.049	0.285±0.029	0.708±0.022	0.443±0.029
ML²	0.261±0.045	0.260±0.027	0.246±0.034	0.647±0.007	0.510±0.022
MLRWKNN	0.287±0.006	0.256±0.010	0.227±0.012	0.679±0.007	0.549±0.036
LIFT	0.251±0.027	0.276±0.026	0.226±0.021	0.706±0.012	0.533±0.016
算法	coverage↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.282±0.034	0.159±0.010	0.448±0.005	0.304±0.004	0.434±0.012
MLBGM	0.365±0.012	0.192±0.007	0.511±0.026	0.547±0.014	0.441±0.036
ML²	0.292±0.044	0.164±0.009	0.461±0.016	0.372±0.017	0.615±0.012
MLRWKNN	0.398±0.034	0.231±0.024	0.576±0.039	0.435±0.028	0.452±0.022
LIFT	0.271±0.023	0.172±0.013	0.454±0.017	0.313±0.008	0.503±0.024
算法	ranking loss↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.145±0.028	0.131±0.010	0.165±0.008	0.101±0.001	0.357±0.007
MLBGM	0.202±0.016	0.159±0.026	0.181±0.020	0.237±0.009	0.436±0.016
ML²	0.153±0.013	0.136±0.012	0.175±0.015	0.163±0.011	0.363±0.007
MLRWKNN	0.137±0.031	0.204±0.024	0.161±0.041	0.203±0.017	0.359±0.024
LIFT	0.144±0.016	0.148±0.012	0.164±0.013	0.131±0.006	0.367±0.010
算法	average precise↑
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.818±0.021	0.838±0.009	0.770±0.008	0.292±0.007	0.514±0.010
MLBGM	0.762±0.029	0.725±0.037	0.684±0.027	0.212±0.021	0.477±0.018
ML²	0.816±0.021	0.832±0.014	0.759±0.020	0.297±0.010	0.521±0.012
MLRWKNN	0.792±0.027	0.739±0.032	0.762±0.043	0.291±0.021	0.492±0.030
LIFT	0.824±0.024	0.820±0.018	0.768±0.018	0.280±0.004	0.486±0.009
算法	Mac-F1↑
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.672±0.021	0.660±0.024	0.425±0.030	0.126±0.028	0.316±0.010
MLBGM	0.652±0.049	0.618±0.041	0.482±0.024	0.117±0.022	0.139±0.032
ML²	0.656±0.015	0.652±0.013	0.438±0.017	0.108±0.010	0.216±0.017
MLRWKNN	0.621±0.025	0.540±0.031	0.403±0.022	0.121±0.038	0.285±0.026
LIFT	0.651±0.025	0.624±0.013	0.377±0.019	0.104±0.020	0.132±0.025

表2 不同算法在多标签数据集上的性能（均值±标准差）

Tab. 2 Performance of different algorithms on multi-label datasets （mean value±standard deviation）

算法	one-error↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.253±0.018	0.250±0.021	0.225±0.013	0.658±0.008	0.516±0.016
MLBGM	0.354±0.030	0.314±0.049	0.285±0.029	0.708±0.022	0.443±0.029
ML²	0.261±0.045	0.260±0.027	0.246±0.034	0.647±0.007	0.510±0.022
MLRWKNN	0.287±0.006	0.256±0.010	0.227±0.012	0.679±0.007	0.549±0.036
LIFT	0.251±0.027	0.276±0.026	0.226±0.021	0.706±0.012	0.533±0.016
算法	coverage↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.282±0.034	0.159±0.010	0.448±0.005	0.304±0.004	0.434±0.012
MLBGM	0.365±0.012	0.192±0.007	0.511±0.026	0.547±0.014	0.441±0.036
ML²	0.292±0.044	0.164±0.009	0.461±0.016	0.372±0.017	0.615±0.012
MLRWKNN	0.398±0.034	0.231±0.024	0.576±0.039	0.435±0.028	0.452±0.022
LIFT	0.271±0.023	0.172±0.013	0.454±0.017	0.313±0.008	0.503±0.024
算法	ranking loss↓
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.145±0.028	0.131±0.010	0.165±0.008	0.101±0.001	0.357±0.007
MLBGM	0.202±0.016	0.159±0.026	0.181±0.020	0.237±0.009	0.436±0.016
ML²	0.153±0.013	0.136±0.012	0.175±0.015	0.163±0.011	0.363±0.007
MLRWKNN	0.137±0.031	0.204±0.024	0.161±0.041	0.203±0.017	0.359±0.024
LIFT	0.144±0.016	0.148±0.012	0.164±0.013	0.131±0.006	0.367±0.010
算法	average precise↑
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.818±0.021	0.838±0.009	0.770±0.008	0.292±0.007	0.514±0.010
MLBGM	0.762±0.029	0.725±0.037	0.684±0.027	0.212±0.021	0.477±0.018
ML²	0.816±0.021	0.832±0.014	0.759±0.020	0.297±0.010	0.521±0.012
MLRWKNN	0.792±0.027	0.739±0.032	0.762±0.043	0.291±0.021	0.492±0.030
LIFT	0.824±0.024	0.820±0.018	0.768±0.018	0.280±0.004	0.486±0.009
算法	Mac-F1↑
算法	emotions	image	yeast	Corel5k	Slashdot
MLNS	0.672±0.021	0.660±0.024	0.425±0.030	0.126±0.028	0.316±0.010
MLBGM	0.652±0.049	0.618±0.041	0.482±0.024	0.117±0.022	0.139±0.032
ML²	0.656±0.015	0.652±0.013	0.438±0.017	0.108±0.010	0.216±0.017
MLRWKNN	0.621±0.025	0.540±0.031	0.403±0.022	0.121±0.038	0.285±0.026
LIFT	0.651±0.025	0.624±0.013	0.377±0.019	0.104±0.020	0.132±0.025

表3 Friedman检验和各项评价指标的临界值

Tab. 3 Friedman test and critical value of each evaluation metric

评价指标	$F F (k = 5, N = 5)$	临界值（ $α = 0.05$ ）
one-error	21.882	3.007
coverage	26.638
ranking loss	24.065
average precise	26.753
Mac-F1	24.064

表3 Friedman检验和各项评价指标的临界值

Tab. 3 Friedman test and critical value of each evaluation metric

评价指标	$F F (k = 5, N = 5)$	临界值（ $α = 0.05$ ）
one-error	21.882	3.007
coverage	26.638
ranking loss	24.065
average precise	26.753
Mac-F1	24.064

图1 利用Bonferroni-Dunn test比较所提MLNS与其他算法

Fig. 1 Comparison of proposed MLNS and other algorithms by Bonferroni-Dunn test

参考文献 40

1	GIBAJA E， VENTURA S. A tutorial on multilabel learning ［J］. ACM Computing Surveys， 2015， 47（3）： Article No.52. 10.1145/2716262
2	LI C S， WEI F， YAN J C， et al. A self-paced regularization framework for multilabel learning ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（6）： 2660-2666. 10.1109/tnnls.2017.2697767
3	BURKHARDT S， KRAMER S. Online multi-label dependency topic models for text classification ［J］. Machine Learning， 2018， 107（5）： 859-886. 10.1007/s10994-017-5689-6
4	BARUTCUOGLU Z， SCHAPIRE R E， TROYANSKAYA O G. Hierarchical multi-label prediction of gene function ［J］. Bioinformatics， 2006， 22（7）： 830-836. 10.1093/bioinformatics/btk048
5	WEINER M F， LIPTON A M. The Dementias： Diagnosis， Treatment， and Research ［M］. 3rd ed. Washington， DC： American Psychiatric Association Publishing， 2003： 1-25.
6	FU H Z， CHENG J， XU Y W， et al. Joint optic disc and cup segmentation based on multi-label deep network and polar transformation ［J］. IEEE Transactions on Medical Imaging， 2018， 37（7）： 1597-1605. 10.1109/tmi.2018.2791488
7	ZHUANG N， YAN Y， CHEN S， et al. Multi-label learning based deep transfer neural network for facial attribute classification ［J］. Pattern Recognition， 2018， 80： 225-240. 10.1016/j.patcog.2018.03.018
8	WU B Y， JIA F， LIU W， et al. Multi-label learning with missing labels using mixed dependency graphs ［J］. International Journal of Computer Vision， 2018， 126（8）： 875-896. 10.1007/s11263-018-1085-3
9	LIU A A， SHAO Z， WONG Y， et al. LSTM-based multi-label video event detection ［J］. Multimedia Tools and Applications， 2019， 78（1）： 677-695. 10.1007/s11042-017-5532-x
10	ZHANG M L， ZHOU Z H. A review on multi-label learning algorithms ［J］. IEEE Transactions on Knowledge and Data Engineering， 2014， 26（8）： 1819-1837. 10.1109/tkde.2013.39
11	BOUTELL M R， LUO J B， SHEN X P， et al. Learning multi-label scene classification ［J］. Pattern Recognition， 2004， 37（9）： 1757-1771. 10.1016/j.patcog.2004.03.009
12	READ J， PFAHRINGER B， HOLMES G， et al. Classifier chains for multi-label classification ［J］. Machine Learning， 2011， 85（3）： 333-360. 10.1007/s10994-011-5256-5
13	FÜRNKRANZ J， HÜLLEMEIER E. Pairwise preference learning and ranking ［C］// Proceedings of the 2003 European Conference on Machine Learning， LNCS 2837. Berlin： Springer， 2003： 145-156.
14	FÜRNKRANZ J， HÜLLEMEIER E， LOZA MENCÍA E， et al. Multilabel classification via calibrated label ranking ［J］. Machine Learning， 2008， 73（2）： 133-153. 10.1007/s10994-008-5064-8
15	ELISSEEFF A， WESTON J. A kernel method for multi-labelled classification ［C］// Proceedings of the 2001 14th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2001： 681-687. 10.7551/mitpress/1120.003.0092
16	ZHANG M L， ZHOU Z H. ML-KNN： a lazy learning approach to multi-label learning ［J］. Pattern Recognition， 2007， 40（7）： 2038-2048. 10.1016/j.patcog.2006.12.019
17	ZHANG M L， ZHOU Z H. Multilabel neural networks with applications to functional genomics and text categorization ［J］. IEEE Transactions on Knowledge and Data Engineering， 2006， 18（10）： 1338-1351. 10.1109/tkde.2006.162
18	UEDA N， SAITO K. Parametric mixture models for multi-labeled text ［C］// Proceedings of the 2002 15th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2002： 737-744. 10.1145/775047.775140
19	ZHU S H， JI X， XU W， et al. Multi-labelled classification using maximum entropy method ［C］// Proceedings of the 2005 28th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2005： 274-281. 10.1145/1076034.1076082
20	LOZA MENCÍA E， FÜRNKRANZ J. Efficient pairwise multilabel classification for large-scale problems in the legal domain ［C］// Proceedings of the 2008 Joint European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 5212. Berlin： Springer， 2008： 50-65.
21	HÜLLERMEIER E， FÜRNKRANZ J， CHENG W W， et al. Label ranking by learning pairwise preferences ［J］. Artificial Intelligence， 2008， 172（16/17）： 1897-1916. 10.1016/j.artint.2008.08.002
22	GHAMRAWI N， McCALLUM A. Collective multi-label classification ［C］// Proceedings of the 2005 14th ACM International Conference on Information and Knowledge Management. New York： ACM， 2005： 195-200. 10.1145/1099554.1099591
23	ZHANG M L， ZHANG K. Multi-label learning by exploiting label dependency ［C］// Proceedings of the 2010 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2010： 999-1008. 10.1145/1835804.1835930
24	LEE D D， SEUNG H S. Algorithms for non-negative matrix factorization ［C］// Proceedings of the 2000 13th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2000： 535-541.
25	NYQUIST H. Certain topics in telegraph transmission theory ［J］.Proceedings of the IEEE， 2002， 90（2）： 280-305. 10.1109/5.989875
26	OLSHAUSEN B A， FIELD D J. Sparse coding with an overcomplete basis set： a strategy employed by V1？［J］. Vision Research， 1997， 37（23）： 3311-3325. 10.1016/s0042-6989(97)00169-7
27	WRIGHT J， YANG A Y， GANESH A， et al. Robust face recognition via sparse representation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2009， 31（2）： 210-227. 10.1109/tpami.2008.79
28	宋相法，焦李成.基于稀疏表示的多标记学习算法［J］.模式识别与人工智能，2012，25（1）：124-129. 10.3969/j.issn.1003-6059.2012.01.017
	SONG X F， JIAO L C. A multi-label learning algorithm based on sparse representation ［J］. Pattern Recognition and Artificial Intelligence， 2012， 25（1）： 124-129. 10.3969/j.issn.1003-6059.2012.01.017
29	PAPADIMITRIOU C H， RAGHAVAN P， TAMAKI H， et al. Latent semantic indexing： a probabilistic analysis ［J］. Journal of Computer and System Sciences， 2000， 61（2）： 217-235. 10.1006/jcss.2000.1711
30	DING C， LI T， PENG W， et al. Orthogonal nonnegative matrix tri-factorizations for clustering ［C］// Proceedings of the 2006 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2006： 126-135. 10.1145/1150402.1150420
31	TIBSHIRANI R. Regression shrinkage and selection via the lasso：a retrospective ［J］. Journal of the Royal Statistical Society， Series B （Statistical Methodology）， 2011， 73（3）： 273-282. 10.1111/j.1467-9868.2011.00771.x
32	BOYD S， PARIKH N， CHU E， et al. Distributed optimization and statistical learning via the alternating direction method of multipliers ［J］. Foundations and Trends in Machine Learning， 2010， 3（1）： 1-122. 10.1561/2200000016
33	CHUNG W， KIM J， LEE H， et al. General dimensional multiple-output support vector regressions and their multiple kernel learning ［J］. IEEE Transactions on Cybernetics， 2015， 45（11）： 2572-2584. 10.1109/tcyb.2014.2377016
34	TUIA D， VERRELST J， ALONSO L， et al. Multioutput support vector regression for remote sensing biophysical parameter estimation ［J］. IEEE Geoscience and Remote Sensing Letters， 2011， 8（4）： 804-808. 10.1109/lgrs.2011.2109934
35	李兆玉，王纪超，雷曼，等.基于引力模型的多标签分类算法［J］.计算机应用，2018，38（10）：2807-2811， 2821. 10.11772/j.issn.1001-9081.2018040813
	LI Z Y， WANG J C， LEI M， et al. Multi-label classification algorithm based on gravitational model ［J］. Journal of Computer Application， 2018， 38（10）：2807-2811， 2821. 10.11772/j.issn.1001-9081.2018040813
36	HOU P， GENG X， ZHANG M L. Multi-label manifold learning ［C］// Proceedings of the 2016 30th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2016： 1680-1686.
37	ZHANG M L， WU L. LIFT： multi-label learning with label-specific features ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（1）： 107-120. 10.1109/tpami.2014.2339815
38	WANG Z W， WANG S K， WAN B T， et al. A novel multi-label classification algorithm based on K-nearest neighbor and random walk ［J］. International Journal of Distributed Sensor Networks， 2020， 16（3）： 1-17. 10.1177/1550147720911892
39	DEMŠAR J. Statistical comparisons of classifiers over multiple data sets ［J］. Journal of Machine Learning Research， 2006， 7： 1-30.
40	DUNN O J. Multiple comparisons among means ［J］. Journal of the American Statistical Association， 1961， 56（293）： 52-64. 10.1080/01621459.1961.10482090

[1]	陈学斌, 任志强, 张宏扬. 联邦学习中的安全威胁与防御措施综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1663-1672.
[2]	姚梓豪, 栗远明, 马自强, 李扬, 魏良根. 基于机器学习的多目标缓存侧信道攻击检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1862-1871.
[3]	佘维, 李阳, 钟李红, 孔德锋, 田钊. 基于改进实数编码遗传算法的神经网络超参数优化[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 671-676.
[4]	郑毅, 廖存燚, 张天倩, 王骥, 刘守印. 面向城区的基于图去噪的小区级RSRP估计方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 855-862.
[5]	李博, 黄建强, 黄东强, 王晓英. 基于异构平台的稀疏矩阵向量乘自适应计算优化[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3867-3875.
[6]	陈学斌, 屈昌盛. 面向联邦学习的后门攻击与防御综述[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3459-3469.
[7]	孙仁科, 皇甫志宇, 陈虎, 李仲年, 许新征. 神经架构搜索综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2983-2994.
[8]	柴汶泽, 范菁, 孙书魁, 梁一鸣, 刘竟锋. 深度度量学习综述[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 2995-3010.
[9]	尹春勇, 周永成. 双端聚类的自动调整聚类联邦学习[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3011-3020.
[10]	崔昊阳, 张晖, 周雷, 杨春明, 李波, 赵旭剑. 有序规范实数对多相似度K最近邻分类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2673-2678.
[11]	钟静, 林晨, 盛志伟, 张仕斌. 基于汉明距离的量子K-Means算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2493-2498.
[12]	蓝梦婕, 蔡剑平, 孙岚. 非独立同分布数据下的自正则化联邦学习优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2073-2081.
[13]	黄晓辉, 杨凯铭, 凌嘉壕. 基于共享注意力的多智能体强化学习订单派送[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1620-1624.
[14]	郝劭辰, 卫孜钻, 马垚, 于丹, 陈永乐. 基于高效联邦学习算法的网络入侵检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1169-1175.
[15]	孙晓飞, 朱静远, 陈斌, 游恒志. 融合多模态数据的药物合成反应的虚拟筛选[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 622-629.

基于非负矩阵分解与稀疏表示的多标签分类算法

Multi-label classification algorithm based on non-negative matrix factorization and sparse representation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 40

相关文章 15

编辑推荐

Metrics