本文選題：特征生成　切入點(diǎn)：排序?qū)W習(xí)　出處：《計(jì)算機(jī)科學(xué)》2017年12期

【摘要】：在排序?qū)W習(xí)中引入特征選擇可以提高學(xué)習(xí)的效率和準(zhǔn)確率。出于對(duì)選擇速度的考慮,當(dāng)前的研究主要從特征選擇的角度出發(fā),根據(jù)特征對(duì)排序的作用和特征之間的相似性選擇對(duì)排序區(qū)分度最大的特征集合。由于特征大都是人工歸納的,因此特征和特征之間難免存在重疊和冗余。為了減少特征之間的冗余,從特征生成的角度出發(fā),對(duì)現(xiàn)有特征進(jìn)行矩陣分解,從而生成新的特征集�？紤]到使用奇異值分解(Singular Value Decomposition SVD)等方法進(jìn)行矩陣分解時(shí)不能綜合考慮排序結(jié)果對(duì)特征的影響,基于特征矩陣對(duì)排序的效果、特征矩陣與原矩陣之間的差距來構(gòu)造優(yōu)化算法,提出了一種基于矩陣分解的排序?qū)W習(xí)優(yōu)化方法,并根據(jù)該優(yōu)化方法設(shè)計(jì)了排序?qū)W習(xí)特征選擇算法MFRank。實(shí)驗(yàn)中使用映射隨機(jī)梯度下降法近似求得優(yōu)化問題的最優(yōu)值,在公開測(cè)試集MQ2008上的結(jié)果顯示,所提MFRank方法獲得了與當(dāng)前最優(yōu)的特征選擇方法即RankBoost和RankSVM-Struct等排序算法相當(dāng)?shù)慕Y(jié)果。
[Abstract]:Feature selection in ranking learning can improve the efficiency and accuracy of learning.Considering the selection speed, the current research mainly focuses on the feature selection. According to the function of feature to sort and the similarity between features, the feature set with the largest degree of sorting is selected.Since most features are induced manually, there is inevitably overlap and redundancy between features and features.In order to reduce the redundancy between features, the matrix decomposition of existing features is carried out from the point of view of feature generation, and a new feature set is generated.Considering that the singular Value Decomposition (SVD) method can not synthetically consider the influence of the sorting results on the feature, the optimization algorithm is constructed based on the effect of the feature matrix on the sorting and the gap between the feature matrix and the original matrix.A sorting learning optimization method based on matrix decomposition is proposed, and MFRank-based sorting learning feature selection algorithm is designed.In the experiment, the mapping stochastic gradient descent method is used to approximate the optimal value of the optimization problem. The results on the open test set MQ2008 show that the proposed MFRank method is comparable to the current optimal feature selection methods, such as RankBoost and RankSVM-Struct.
【作者單位】： 山東財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院;山東財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;齊魯工業(yè)大學(xué)金融學(xué)院;曼徹斯特大學(xué)曼徹斯特商學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目:基于機(jī)器學(xué)習(xí)融合精確性和多樣性的電子商務(wù)協(xié)同過濾推薦方法研究(71402083) 山東省高等學(xué)�？萍加�(jì)劃項(xiàng)目:基于語義角色主題模型的細(xì)粒度情感分析研究(J15LN56)資助
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

2 李明;;矩陣分解理論在降維中的應(yīng)用[J];吉林師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年03期

3 張正強(qiáng),解學(xué)軍,張嗣瀛;矩陣分解的多變量模型參考自適應(yīng)控制[J];控制理論與應(yīng)用;2004年06期

4 王佳;王宏偉;顧宏;;基于UD矩陣分解的模糊建模算法及收斂性分析[J];大連理工大學(xué)學(xué)報(bào);2010年04期

5 劉自鑫;呂恕;鐘守銘;葉茂;;網(wǎng)絡(luò)化系統(tǒng)控制器設(shè)計(jì)的矩陣分解方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年04期

6 解學(xué)軍;藏強(qiáng);張嗣瀛;;基于矩陣分解的多變量魯棒自適應(yīng)反推控制[J];控制與決策;2005年12期

7 孫曉華;劉大昕;徐悅竹;張健沛;;多遍掃描KeyGraph執(zhí)行模型[J];系統(tǒng)工程與電子技術(shù);2009年10期

相關(guān)博士學(xué)位論文 前1條

1 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前2條

1 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測(cè)[D];復(fù)旦大學(xué);2014年

2 張靜姝;推薦系統(tǒng)中基于智能優(yōu)化算法的矩陣分解[D];吉林大學(xué);2014年

，

本文編號(hào)：1720082