[发明专利]一种标签分布预测方法及装置

权利要求书

1.一种标签分布预测方法，其特征在于，包括：

S1：获取训练集合，并初始化潜在因子矩阵，其中，所述训练集合包括有至少一个样本的特征信息和实际标签分布信息，所述潜在因子矩阵用于从特征信息到标签分布的转换；

S2：根据所述训练集合和所述潜在因子矩阵构建基础目标函数，其中，所述基础目标函数用于衡量实际标签分布与预测标签分布之间的差距；

S3：根据所述潜在因子矩阵构建距离映射函数，其中，所述距离映射函数用于描述标签相关性；

S4：根据所述基础目标函数和所述距离映射函数构建目标函数；

S5：针对所述目标函数对所述潜在因子矩阵求一阶偏导，获得一阶偏导向量；

S6：将初始化后的所述潜在因子矩阵确定为第一因子矩阵；

S7：将所述第一因子矩阵代入所述一阶偏导向量，获得一阶梯度矩阵；

S8：判断所述一阶梯度矩阵的F范数是否小于预先设定的临界阈值，如果是，执行S10，否则执行S9；

S9：对所述潜在因子矩阵进行一次迭代优化，将迭代优化后的所述潜在因子矩阵确定为所述第一因子矩阵，并执行S7；

S10：根据所述第一因子矩阵，获得待预测实例的标签分布向量。

2.根据权利要求1所述的方法，其特征在于，

所述距离映射函数包括：g(θ_i，θ_j)＝sgn(triangle(θ_i，θ_j))·dis(θ_i，θ_j)，其中，

其中，所述sgn(triangle(θ_i，θ_j))表征所述潜在因子矩阵中因子向量θ_i与因子向量θ_j之间的相关性；所述θ_ik表征所述潜在因子矩阵中第i个因子向量中的第k个元素；所述θ_jk表征所述潜在因子矩阵中第j个因子向量中的第k个元素；所述m表征所述训练集合中每个样本的特征的个数。

3.根据权利要求2所述的方法，其特征在于，

所述基础目标函数包括：

其中，所述T₀(θ)表征所述基础目标函数；所述所述θ_jr表征所述潜在因子矩阵中第j个因子向量中的第r个元素，所述x_ir表征所述训练集合中第i个样本的第r个特征对应的数值；所述d_ij表征所述训练集合所包括的所述实际标签分布信息中第j个标签描述第i个样本的程度；所述n表征所述训练集合中样本的总个数；所述c表征所述训练集合中标签的总个数。

4.根据权利要求3所述的方法，其特征在于，所述S4包括：

根据所述潜在因子矩阵确定正则项；

根据所述基础目标函数、所述距离映射函数和所述正则项，构建如下目标函数；

其中，所述T(θ)表征所述目标函数；所述θ_ij表征所述潜在因子矩阵中第i个因子向量中的第j个元素；所述λ₁和所述λ₂为预设的系数；所述表征所述正则项。