1.一种基于动态流标签的多标签特征选择方法,其特征在于,包括以下步骤:S1:基于多标签数据中各样本在特征空间上的邻域及正邻域集和负邻域集,计算当前到达标签相对于各样本的细描述度;
S2:结合各历史到达标签细描述度,计算当前到达标签相对于各样本的相对标签重要性程度;
S3:结合各历史到达标签的相对标签重要性程度,计算当前到达标签的隐形标签重要性程度;
S4:计算关于特征空间内的每个特征,当前到达标签和各历史到达标签之间的标签相关性和特征相关性影响因子;
S5:基于标签相关性和特征相关性影响因子,计算当前到达标签的增强特征相关性和特征冗余;
S6:将增强特征相关性于特征冗余的差值最大作为目标函数,构建优选特征集,每次迭代后随机选择特征空间内的一个特征添加至优选特征集中,输出满足目标函数的优选特征集;
S7:基于各到达标签对应的优选特征集中的各特征至特征空间的映射构建初始映射策略;结合各到达标签的初始映射策略和隐形标签重要性程度,构建最终映射策略;
S8:将当前到达标签通过最终映射策略映射后的向量中的各元素的值按照从大到小的顺序排序,基于排序结果选择其中值最大的前N个特征组成已选特征集;
S9:重复步骤S1-S8,直至当前到达标签为多标签数据中的最后一个到达标签时,将所有到达标签对应的已选特征集进行融合,得到最终特征集输出;
其中,当前到达标签Lt相对于样本xi的细描述度的计算公式为:
其中,表示样本xi的正邻域集,表示样本xi的负邻域集,θF(xi)表示样本xi在特征空间上的邻域,|.|表示取集合内元素的个数,表示正标签,表示负标签。
2.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:当前到达标签Lt相对于样本xi的相对标签重要性程度的计算公式为:其中,表示当前到达标签Lt相对于样本xi的细描述度,A表示当前到达的所有标签的集合,|.|表示取集合内元素的个数,k表示历史到达标签的序号,表示历史到达标签Lk相对于样本Xi的细描述度。
3.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:当前到达标签Lt的隐性标签重要性Imp(Lt)的计算公式为:其中,i表示样本的序号,n表示样本的总数,表示当前到达标签Lt相对于样本xi的相对标签重要性程度,A表示当前到达的所有标签的集合,|.|表示取集合内元素的个数,k表示历史到达标签的序号,表示历史到达标签Lk相对于样本xi的相对标签重要性程度。
4.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:关于特征空间内的特征Fi,当前到达标签Lt与历史到达标签Lk之间的标签相关性Lco(Fi,Lt,Lk)的计算公式设定为:Lco(Fi,Lt,Lk)=I(Fi;Lt|Lk)-I(Fi;Lt)
其中,I(Fi;Lt|Lk)表示在历史到达标签Lk的条件下求特征Fi对当前到达标签Lt的贡献程度,I(Fi;Lt)表示特征Fi对当前到达标签Lt的贡献程度。
5.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:关于特征空间内的特征Fi,当前到达标签Lt与历史到达标签Lk之间的特征相关性影响因子ω(Fi,Lt,Lk)的计算公式为:其中,LS表示历史标签集合,H(.)表示求熵。
6.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:当前到达标签Lt的增强特征相关性Rel(Fi,Lt,LS)的计算公式为:Rel(Fi,Lt,LS)=I(Fi;Lt)×ω(Fi,Lt,LS)
当前到达标签Lt的特征冗余Red(Fi,Lt)的计算公式为:
其中,I(Fi;Lt)表示特征Fi对当前到达标签Lt的贡献程度,S表示优选特征集,|.|表示取集合内元素的个数,Fj表示优选特征集中的特征,Fi为优选特征集之外的等待备选的特征,I(Fi,Fj|Lt)表示在当前到达标签Lt的条件下,求特征Fi对特征Fj的贡献程度,ω(Fi,Lt,LS)表示当前到达标签Lt与历史到达标签Lk之间的特征相关性影响因子。
7.根据权利要求1所述的基于动态流标签的多标签特征选择方法,其特征在于:当前到达标签Lt的最终映射策略的计算公式为:其中,LS表示历史标签集合,Lk表示历史到达标签,Imp(Lk)表示历史到达标签Lk的隐性标签重要性,Imp(Lt)表示当前到达标签Lt的隐性标签重要性,φk表示历史到达标签Lk的初始映射策略,φ表示当前到达标签Lt的初始映射策略。
8.一种基于动态流标签的多标签特征选择终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~7中任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~7中任一所述方法的步骤。