结合多标签共现关系的深度哈希胸部X光影像检索

为使哈希检索模型兼具强判别力和小量化误差,现有方法通常需要优化多个损失函数,导致模型训练存在困难.通过最大化连续哈希码与对应正交化二值码之间相似性,尽管只需优化单个损失函数就能实现这一目标,然而在多标签图像检索任务中,这类方法忽视了标签间的语义相关性,导致检索性能下降.本文提出一种基于标签共现的深度哈希检索算法.首先通过挖掘阳性疾病标签的共现信息,利用图卷积神经网络建模多标签共现关系,动态生成哈希目标.其次,通过引入标签平滑交叉熵损失函数,进一步增强图像哈希码与标签哈希目标的一致性.在胸片数据集上的实验结果表明,方法在关键性能指标上优于同类算法,验证了建模多标签共现关系对提升模型性能的重要性.

基于标签共现和特征局部相关的心电异常检测方法

自动的心电异常识别是一个多标签分类问题,多通过对每个标签训练一个二分类器来实现异常识别。由于异常数目多,特征和异常间以及不同异常间的相关性复杂,自动检测的效果并不理想。为了充分利用异常和特征间的依存关系,提出了一种基于异常标签共现和特征局部相关(Label Co-occurrence and Feature’s local Pertinence,LCFP)的心电异常识别方法。首先,根据标签共现性和特征局部相关性,为标签构建包含宏特征和微特征的联合特征空间。宏特征采用狄利克雷过程混合模型聚类构建,以区分不同的共现标签集;微特征是原始特征空间的一个子集,用于区分共现标签集中的各个标签。进而,在联合特征空间为每个异常训练一个一对多(One-Versus-All)的概率分类器。其次,为充分利用异常的关联,提出在概率分类器排序基础上区分相关和非相关标签,采用Beta分布自适应地学习锚阈值和相关度阈值,以确定实例的相关标签集。LCFP是一种检测多种心电异常的通用方法,提高了心电异常识别的精度。在两个真实数据集上,F1指标分别提高了4%和22.4%,验证了所提方法的有效性。

标签共现的标签聚类算法研究

在社会网络中,标签聚类研究可以解决标签冗余和语义模糊等问题。为了提高聚类有效性,提出综合标签共现信息确定标签特征向量,通过特征向量的提取计算相似度,将传统聚类算法中用几何距离计算对象与中心对象的距离改为用皮尔森相关系数计算,提出结合K-means聚类算法对标签进行聚类的标签共现聚类算法,并分析了算法的复杂度。最后对不同聚类算法进行了相关对比实验,实验结果表明该聚类算法效果要好于其他的聚类算法,从而验证了该聚类算法的有效性和可行性。

基于MapReduce的社会化标签共现关系抽取方法

社会化标签系统是Web2.0的一个重要应用,标签之间的共现关系抽取对于信息检索和标签推荐具有十分重要的意义.本文在分析社会化标签系统中标签共现语义关系的基础上,针对社会化标注数据所具有的海量特征,提出了一种基于MapReduce模型的社会化标签共现关系并行抽取方法,并给出标签共现加权网络的哈希存储结构,实验结果表明该方法具有较好的扩展性.本文的研究对于社会化标签系统的应用扩展具有一定的促进作用.

结合用户关系网和标签共现网的微博用户标签推荐研究

标签是Web2．0网站的主要组成部分。在新浪微博上，用户标签可用于用户检索、用户推荐，可帮助更好地理解用户行为和用户兴趣，但目前大多数微博用户缺少标签，为此本文提出结合用户关系网和标签共现网进行微博用户标签的预测。该方法首先在用户关系网上使用带重启的随机游走模型计算用户相似度，然后根据标签对用户的重要程度获得各个用户的候选标签集。在用户候选标签集得到后，结合标签共现网使用基于标签链的方法抽取候选标签推荐给用户。经在新浪微博真实数据集上的测试，表明本文提出的标签预测方法在准确率上有一定提高。

基于共同属性和标签共现的标签消歧算法

为了提高基于标签的个性化推荐技术的准确率,提出了一种基于共同属性和标签共现的标签消歧模型,对已有的基于聚类的标签消歧算法进行改进,针对不同的标签语义问题分别采用不同的方法,缓解了原算法不能识别不同语义的问题。对于多义词语义问题,使用同义词模型进行消歧;对于近义词、同义词语义问题,使用近、同义词模型进行消歧,并将该模型应用于个性化推荐算法。利用公共数据集MovieLens Latest Datasets进行了个性化推荐实验。实验表明,当用户推荐项目数量递增时,推荐算法的准确率和召回率都有提高,能有效消除标签中存在的歧义。

融合多粒度特征和标签语义共现的多标签分类

为了从文本中可以更加准确地分析其蕴含的内容,给人们的生产生活提供建议,在基于深度学习的传统多标签分类方法的基础上,提出一种融合多粒度特征和标签语义共现的多标签分类模型。该模型利用双向长短时记忆网络双向长短时记忆网络(bidirectional long short-term memory network,Bi-LSTM)提取多粒度的文本特征,获得不同层次的文本特征;并通过计算pmi的方式构建标签关系图,利用图卷积网络(graph convolution network,GCN)深入提取标签的隐藏关系,获得具有标签信息的文本表示;最终融合多粒度文本特征,进行多标签文本分类。在AAPD和news数据集上进行实验。结果表明:所提出模型的Micro-F1值分别达到0.704和0.729,验证了模型的有效性。

社会化标注环境下的标签共现谱聚类方法

在分析标签共现的基础上,提出一种基于共现的标签谱聚类方法,该方法直接利用标签的共现关系来测度标签的相关性,能够避免将标签表示成向量空间模型时所带来的高维稀疏等问题。在衡量标签的共现相似性时,设计一种综合的方法,并给出标签综合共现相似度的计算公式。与传统的单一利用标签的个体共现来衡量其相似性相比,综合的方法同时考虑标签的个体共现相似性和标签的群体共现相似性,能够更加精确地刻画标签的共现相似度。实验结果表明,基于综合共现相似度的标签共现谱聚类方法具有较好的效果。

基于标签共现的学术博客知识资源聚合研究

标签共现是在大规模信息资源的集合中,通过语义关联和内容关联来挖掘有相关联系的标签,是实现资源聚合的有效手段。本文分析了学术博客知识资源聚合的方法,提出基于标签共现的学术博客知识资源聚合的整体框架,建立了标签共现网络,分析了标签共现网络基本特征,对标签共现网络进行知识资源聚合。有利于知识的查全率和查准率的提高,有利于学术博客资源知识的组织分类和聚合,在知识推荐和本体构建领域以及语义网络的构建具有重要意义。

用户标签揭示进出口量:基于标签共现的空间关联性分析

区域之间的关联强度通常可以通过客流、贸易流、通信流等来衡量,但是这些数据的可获取性往往是不确定的。以用户产生的开放式资料为基础,采用包含3个步骤的方法来估测区域间的关联强度:①将研究区域划分成标准网格;②基于用户标签在研究区域中的分布建立网格之间的关联网络;③调整网络中边的权重来计算区域间关联强度。

社会化标签系统中个性化的用户建模方法

针对社会化标签系统中现有用户兴趣模型建立的缺陷,即:使用一些零散标签的集合来表示用户兴趣,而忽略标签的联合使用现象。提出一种将共现技术引入自然法的用户建模方法,该方法以自然法为基础,向用户模型中添加适量的标签对,较好地体现了标签之间的联系,又同时考虑了体现用户兴趣的标签自身的权重。在PKDD2009数据集上测试实验结果表明,该模型较之已提出的自然法和共现法,取得了更高的准确率和召回率。

社会化标签系统语义相关度的拓扑图法计算

针对Web2.0社会化标签系统中标签组织混乱和标签语义模糊的问题,围绕标签共现网络的拓扑图,建立了一种形式化的标签语义相关度计算模型.该模型利用基于统计的标签语义相关度计算结果,为标签共现网络的拓扑图扩展以语义相关度权值,并定义算子围绕标签共现网络的拓扑图来计算权值的综合效应,从而可以显式地描述标签语义关联的交叉影响,并在标签语义相关度的计算中融入这些影响因素.从照片共享网站Flickr中抓取热门标签数据,通过实验对该模型的计算过程、计算结果的有效性和实用性等进行了分析评价.实验表明,该模型的标签语义相关度计算结果更为准确,可以更好地引导和约束Web2.0用户的标签使用行为.

基于标签相关性的卷积神经网络多标签分类

多标签分类问题已广泛应用于文本分类、图像分类、生物基因功能分类、视频语义注释等.相比较于单标签分类,多标签分类更符合真实世界的客观规律.然而,已有的卷积神经网络多标签分类算法没有探究标签之间相关性,为此提出了一种基于标签相关性卷积神经网络多标签分类,即计算标签之间共现相似度方法,同时为了解决卷积神经网络预测精度高,训练时间长的缺点,引入了迁移学习的方法加快了模型的训练时间.实验表明,提出的算法优于传统的多标签分类算法.

基于社会化标签的群用户个性化信息服务

为提高群用户个性化信息服务的准确率,提出构建群体用户的兴趣模型,主要采用基于标签共现矩阵的方法来计算群体用户之间的相似性,综合考虑群用户的主题与标签的联系,为用户提供更加准备高效的个性化信息推荐服务。

功能互补关系增强的云API推荐方法

当前云API推荐方法主要采用相似性计算或者利用Mashup的历史调用来生成推荐结果,忽略了Mashup与云API之间有益的功能互补关系。针对上述问题,提出一种基于功能互补关系增强的云API推荐方法。首先,利用标签共现对功能互补关系进行刻画。然后,计算功能互补得分来刻画云API和Mashup之间的功能互补程度,学习功能互补向量来刻画云API和Mashup之间的潜在功能互补关系。在此基础上,将功能互补得分和功能互补向量嵌入云API推荐模型中,使功能互补关系在推荐云API的过程中起到关键性的作用。在真实世界云API数据集上进行实验,所提方法在稀疏场景下的AUC、F1、HR@5指标上平均提升了2.32%、1.86%、9.15%,最终验证了所提方法可以在提高云API推荐结果准确性的同时,提升对长尾云API的推荐性能。

用于意图识别的自适应多标签信息学习模型

为解决多标签文本分类在捕获标签关系时忽视标签共现特性的问题,提出基于统计特征的自适应多标签信息学习方法(adaptive label feature learning,ALFL),用于检测内容营销文章。构建主题先验自适应标记狄利克雷主题模型(labeled latent dirichlet allocation with adaptive topic priors,LDATP),根据每个文本的标签集合情况,与标签集合对应的全部营销主题约束模型生成主题词概率分布;构建标签信息整合网络(label information integration network,LIIN),利用主题词概率分布和标签的图结构学习标签相关信息,获得标签嵌入表示;进行文本和标签空间之间的信息交互,捕获语义特征以识别营销文章。试验结果表明,基于统计特征的ALFL方法以召回率为80.92%、准确率为88.14%,优于其他基线模型,具有更高的预测准确性。

图书标注环境下用户的认知特征

本文采集了豆瓣网上2,534本图书情报学科领域的图书在四个时间点的标签数据构建标签共现网络,利用标签分析和确定概念的序化和聚类(知识结构),揭示用户在图书标注环境下的认知特征。统计分析发现:标签共现网络的网络结构具有幂律特征,并服从稠密化幂律分布,适用于研究用户认知状态动态演化;标签共现网络为非均匀网络,度数较高的节点词汇处于核心位置,是最为基本的概念,而中介中心性较高的节点词汇反映概念在知识结构中的控制能力强,对标签共现影响较大,对网络的流动性至关重要,这些词汇的共同点在于相对概念比较宽泛,说明用户会优先选择易于理解的词汇进行标注和认知。

基于改进张量分解模型的个性化推荐算法研究

【目的】在基于张量分解的个性化推荐中,解决因UGC标签冗余、热门标签和资源影响用户个性化兴趣所导致的推荐准确性降低问题。【方法】提出一种改进的基于张量分解模型的个性化推荐算法,引入标签综合共现结合谱聚类的方法,借鉴TF-IDF中IDF的思想提出一种基于共现标签和资源的热门惩罚机制,对基于<用户,标签簇,资源>三元关系的初始张量进行重新定义。【结果】基于Last.fm数据集的仿真实验结果表明,从准确率、召回率和F1值各项指标上,本文提出的算法均有良好表现,综合共现谱聚类的引入使得推荐算法在F1值上平均提升5.91%,基于IDF改进初始张量后的推荐算法在F1值上平均提升1.29%。【局限】未针对其他领域的数据集进行验证,如微博、Delicious等。【结论】基于改进的张量分解模型的个性化推荐算法能够显著提高准确性,有利于社交网络环境下提供更令用户满意的资源。