摘要：在多标记学习框架下，每个样本由单个实例进行表示并同时对应于多个概念标记．已有的多标记懒惰学习算法并未充分考察样本多个标记之间的相关性，因此其泛化性能将会受到一定程度的不利影响．针对上述问题，提出一种新型多标记懒惰学习算法IMLLA．该算法首先找出测试样本在训练集中与各个概念类对应的近邻样本，然后基于近邻样本的多标记信息构造一个标记计数向量，并提交给已训练的线性分类器进行预测．由于IMLLA在对每个概念类进行预测时利用了蕴含于其他概念类中的信息，因而充分考察了样本多个标记之间的相关性．在人工数据集以及真实世界数据集上的实验表明，IMLLA算法的性能显著优于常用的多标记学习算法．

原文链接:http://www.cqvip.com//QK/94913X/201211/43880715.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）