基于NMF算法的多标记学习  

A Multi-label Learning Method Based on NMF Algorithm

作　　者：李闪闪 田文泉 潘正高[1] LI Shan-shan;TIAN Wen-quan;PAN Zheng-gao(School of Information Engineering,Suzhou University,Suzhou 234000,Anhui,China)

机构地区：[1]宿州学院信息工程学院,安徽宿州234000

出　　处：《兰州文理学院学报（自然科学版）》2021年第5期78-82,共5页Journal of Lanzhou University of Arts and Science(Natural Sciences)

基　　金：2020年度宿州学院科研平台开放课题“基于粗糙集理论的多标记数据分类建模研究”(2020ykf01);2018年国家级工程研究中心开放课题“基于质量安全的蔬菜供应链可追溯平台研究”(AE2018010);宿州学院计算机科学与技术专业带头人(2019XJZY23);2020年第一批教育部产学合作协同育人项目(2020002165042)。

摘　　要：非负矩阵分解(NMF)算法通过矩阵分解操作,可以对高维空间的数据矩阵进行处理,以达到消除噪声、压缩数据的目的.为解决多标记学习框架下,由于数据规模较大带来的“维度灾难”问题,依靠NMF算法将高维的多标记数据矩阵进行特征降维,从而降低分类模型的时间消耗及算法复杂度,提升算法性能.Non-negative matrix factorization(NMF)algorithm can process the data matrix in high-dimensional space through matrix factorization operation,so as to eliminate noise and compress data.In order to solve the problem of dimension disaster caused by the large scale of data under the framework of multi-label learning,the NMF algorithm is used to reduce the feature dimension of high-dimensional multi-label data matrix,so as to reduce the time consumption of classification model and improve the algorithm complexity and performance.

关 键 词：非负矩阵分解 多标记学习 维度约简 分类性能 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]