多示例学习在中文网页推荐中应用.pdfVIP

多示例学习在中文目录页面推荐中的应用 多示例学习在中文目录页面推荐中的应用 薛晓冰 （001221136 ） 南京大学 计算机科学与技术系 摘要：本文利用外散列表和前缀树等数据结构，实现了对中文页面的特征抽取，从而将中文 目录页面推荐问题转化为多示例学习问题加以解决。实验结果表明，本文采用的方法优于传 统的文本分类方法，能够较好地解决这一实际问题。 关键词：机器学习；多示例学习；中文目录页面推荐；前缀树；中文分词 Application of Multi-instance Learning in Chinese Web Index Page Recommendation XUE Xiao-bing(001221136) Department of Computer Science and Technology, Nanjing University Abstract: In this thesis, the Chinese web index page recommendation problem is transformed to a multi-instance learning problem to solve through using hash table and prefix tree to extract features from Chinese web pages. Experiments show that the method proposed in this thesis performs better than traditional text classification methods. Key words: machine learning; multi-instance learning; Chinese web index page recommendation; prefix tree; Chinese words segmentation 1．引言 Dietterich [5] 等人在对麝香分子活性的研究中提出了多示例学习的概念。在多示例学习中， 数据集由包 （bag ）组成，每个包由多个示例 （instance ）组成。一个包被标记为正包当且仅当 其中至少有一个示例为正例；一个包被标记为反包当且仅当其中所有的示例均为反例。数据 集中只有包被标记，包中的示例并没有被标记。这一特性使多示例学习具有比传统监督学习 更大的歧义性。因此，多示例学习被认为是并列于监督学习，非监督学习和强化学习的一种 新的学习框架[12] [11] [1] [2] [3] 。Long 和Tan 、Auer 、Auer 等人 、Blum 和Kalai 对多示例学习的 PAC 可学习性进行了研究。Maron 和Lozano-Pérez [13] 提出了Diverse Density 算法。Wang 和 Zucker [16] 提出用扩展k 近邻算法解决多示例学习问题。Ruffo [15] 提出了多示例决策树Relic ， Chevaleyre 和Zucker [4] 提出了多示例决策树ID3-MI 和多示例规则学习算法RIPPER-MI ，Zhou 和Zhang [19] 提出了多示例神经网络BP-MIP 。Zhou 和Zhang [20] 还将集成学习技术用于多示例 学习中，取得了基准测试集上迄今为止最好的结果。在应用领域，多示例学习已经被用于股 票预测[13] [14] [17] 、自然景物分类 和基于内容的图像检索 等问题。 第1 页 多示例学习在中文目录页面推荐中的应用 [18] 最近，Zhou 等人