结合旋转森林和AdaBoost分类器的多标签文本分类方法

摘要

针对一些多标签文本分类算法没有考虑文本—术语相关性和准确率不高的问题,提出一种结合旋转森林和AdaBoost分类器的集成多标签文本分类方法.首先,通过旋转森林算法对样本集进行分割,通过特征变换将各样本子集映射到新的特征空间,形成多个具有较大差异性的新样本子集.然后,基于AdaBoost算法,在样本子集中通过多次迭代构建多个AdaBoost基分类器.最后,通过概率平均法融合多个基分类器的决策结果,以此作出最终标签预测.在四个基准数据集上的实验结果表明,该方法在平均精确度、覆盖率、排名损失、汉明损失和1-错误率方面都具有优越的性能.