基于标签共现关系的多标签特征选择

计算机工程与科学 ›› 2021, Vol. 43 ›› Issue (11): 2049-2055.

基于标签共现关系的多标签特征选择

李雨晨1,魏巍1,2,白伟明1,王达1

（1.山西大学计算机与信息技术学院,山西太原 030006;

2.山西大学计算智能与中文信息处理教育部重点实验室,山西太原 030006）

收稿日期:2020-09-10 修回日期:2020-11-23 接受日期:2021-11-25 出版日期:2021-11-25 发布日期:2021-11-23
基金资助:
国家自然科学基金（61772323，61976184）

Multi-label feature selection based on label co-occurrence relationship

LI Yu-chen1,WEI Wei1,2,BAI Wei-ming1,WANG Da1

（1.School of Computer and Information Technology,Shanxi University,Taiyuan 030006;

2.Key Laboratory of Computation Intelligence and Chinese Information Processing,

Shanxi University,Ministry of Education,Taiyuan 030006,China）

Received:2020-09-10 Revised:2020-11-23 Accepted:2021-11-25 Online:2021-11-25 Published:2021-11-23

摘要/Abstract

摘要： 多标签数据广泛存在于现实世界中，多标签特征选择是多标签学习中重要的预处理步骤。基于模糊粗糙集模型，研究人员已经提出了一些多标签特征选择算法，但是这些算法大多没有关注标签之间的共现特性。为了解决这一问题，基于样本标签间的共现关系评价样本在标签集下的相似关系，利用这种关系定义了特征与标签之间的模糊互信息，并结合最大相关与最小冗余原则设计了一种多标签特征选择算法LC-FS。在5个公开数据集上进行了实验，实验结果表明了所提算法的有效性。

关键词: 多标签, 特征选择, 模糊粗糙集, 模糊互信息

Abstract: Multi-label data widely exists in the real world, and multi-label feature selection is an important preliminary step in multi-label learning. Based on the fuzzy rough set model, researchers have proposed multi-label feature selection algorithms, but most of these algorithms do not pay attention to the co-occurrence characteristics between labels. In order to solve this problem, the similar relationship between the samples under the label set is evaluated based on the co-occurrence relationship between the sample labels. This relationship is used to define the fuzzy mutual information between the feature and the label. Combining the principle of maximum correlation and minimum redundancy, a multi-label feature selection algorithm is designed. Experiments on 5 public data sets show the effectiveness of the proposed algorithm.

Key words: multi-label, feature selection, fuzzy rough set, fuzzy mutual information

李雨晨, 魏巍, 白伟明, 王达. 基于标签共现关系的多标签特征选择[J]. 计算机工程与科学, 2021, 43(11): 2049-2055.

LI Yu-chen, WEI Wei, BAI Wei-ming, WANG Da. Multi-label feature selection based on label co-occurrence relationship[J]. Computer Engineering & Science, 2021, 43(11): 2049-2055.

[1]	肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林, . Corrective-Net：面向多标签文本分类的标签关联学习模块[J]. 计算机工程与科学, 2024, 46(06): 1092-1100.
[2]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[3]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(02): 292-302.
[4]	赵瑞平, 降爱莲. 基于自编码器和局部嵌入的无监督特征选择[J]. 计算机工程与科学, 2023, 45(07): 1282-1291.
[5]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[6]	文武, 万玉辉, 文志云, . 基于正余弦算法的文本特征选择[J]. 计算机工程与科学, 2022, 44(08): 1467-1473.
[7]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[8]	吴尚智, 徐丹丹, 王旭文, 夏宁. 基于广义重要度和runner-root算法的特征选择[J]. 计算机工程与科学, 2022, 44(04): 723-729.
[9]	文武, 万玉辉, 张许红, 文志云, . 基于改进CHI和PCA的文本特征选择[J]. 计算机工程与科学, 2021, 43(09): 1645-1652.
[10]	程玉胜, 曹天成, 王一宾, 郑伟杰. 基于负相关性增强的不平衡多标签学习算法[J]. 计算机工程与科学, 2021, 43(09): 1700-1710.
[11]	李晓红, 王闪闪, 马堉银, 马慧芳. 融合相似度图和随机游走模型的多标签短文本分类算法[J]. 计算机工程与科学, 2021, 43(06): 1081-1087.
[12]	陈文祺, 王英, 王鑫, 汪洪吉. 基于生成对抗网络的多标签节点分类研究[J]. 计算机工程与科学, 2021, 43(02): 280-287.
[13]	杨岚雁, 靳敏, 张迎春, 张珣. 一种基于关联规则的MLKNN多标签分类算法[J]. 计算机工程与科学, 2020, 42(07): 1309-1317.
[14]	李向军1,2，孔珂2，魏智翔1，王科选1，肖聚鑫1. 面向Android恶意应用静态检测的特征频数差异增强算法[J]. 计算机工程与科学, 2020, 42(06): 993-1002.
[15]	李校林, 王成, . 一种基于质心的多标签文本分类模型研究[J]. 计算机工程与科学, 2020, 42(06): 1120-1126.