A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Recursive Nearest Neighbor Graph Partitioning for Extreme Multi-Label Learning Particionamento recursivo de gráfico do vizinho mais próximo para aprendizado extremo de vários rótulos

Yukihiro TAGAMI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

À medida que o tamanho dos dados dos problemas de classificação multi-rótulos relacionados à Web continua a aumentar, o espaço de rótulos também cresceu extremamente. Por exemplo, o número de rótulos que aparecem em tarefas de marcação de páginas da Web e de recomendação de comércio eletrônico chega a centenas de milhares ou até milhões. Neste artigo, propomos uma árvore de particionamento de grafos (GPT), que é uma nova abordagem para aprendizagem multi-rótulo extrema. Em um nó interno da árvore, o GPT aprende um separador linear para particionar um espaço de recursos, considerando aproximado k-gráfico do vizinho mais próximo dos vetores de rótulo. Também desenvolvemos um procedimento simples de otimização sequencial para aprender os classificadores binários lineares. Extensos experimentos em conjuntos de dados do mundo real em grande escala mostraram que nosso método alcança melhor precisão de previsão do que métodos baseados em árvore de última geração, ao mesmo tempo que mantém uma previsão rápida.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.3 pp.579-587
Data de publicação
2019/03/01
Publicitada
2018/11/30
ISSN online
1745-1361
DOI
10.1587/transinf.2018EDP7106
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Yukihiro TAGAMI
  Yahoo Japan Corporation,Kyoto University

Palavra-chave