Wie wende ich neuronale Netze bei Problemen mit der Mehrfachmarkenklassifizierung an?

Beschreibung:

Die Problemdomäne sei die Dokumentklassifikation, wenn eine Menge von Merkmalsvektoren existiert, die jeweils zu einer oder mehreren Klassen gehören. Beispielsweise doc_1könnte ein Dokument zu gehörenSports und EnglishKategorien gehören.

Frage:

Was wäre die Bezeichnung für einen Merkmalsvektor, wenn Sie das neuronale Netz für die Klassifizierung verwenden? Wäre es ein Vektor, der alle Klassen so zusammensetzt, dass nicht relevante Klassen mit 0 und relevante Klassen mit 1 bewertet werden? Also, wenn die Liste der Klassenlabels ist[Sports, News, Action, English, Japanese] , doc_1würde das Label für das Dokument lauten [1, 0, 0, 1, 0]?

Ja, beim Lernen mit mehreren Etiketten werden die Etiketteninformationen häufig als der von Ihnen beschriebene binäre Vektor codiert. Dies ist auch für die Auswertung einfacher.

Möglicherweise möchten wir MULAN , eine Open-Source-Java-Bibliothek für das Multi-Label-Lernen , überprüfen . Es ist eine Weka-Erweiterung und hat viele Multi-Label-Klassifikatoren implementiert, einschließlich neuronaler Netze. Zum Beispiel finden Sie BP-MLL hier .

Dies scheint das Papier zu sein, das Sie suchen:

Min-Ling Zhang und Zhi-Hua Zhou: Neuronale Netze mit mehreren Markierungen mit Anwendungen für die funktionale Genomik und Textkategorisierung

Aus dem Abstract:

Beim Lernen mit mehreren Etiketten ist jede Instanz im Trainingssatz mit einem Satz Etiketten verknüpft, und die Aufgabe besteht darin, für jede unsichtbare Instanz einen Etikettensatz auszugeben, dessen Größe a priori unbekannt ist Art und Weise, wie ein neuronaler Netzwerkalgorithmus namens BP-MLL, dh Backpropagation for Multi-Label Learning, vorgeschlagen wird. ... Anwendungen auf zwei reale Multi-Label-Lernprobleme, dh funktionale Genomik und Textkategorisierung, zeigen, dass die Leistung von BP-MLL denen einiger etablierter Multi-Label-Lernalgorithmen überlegen ist.