[发明专利]一种标签分布预测方法及装置

说明书

本发明提供了一种标签分布预测方法及装置，该方法包括：S1：获取训练集合并初始化潜在因子矩阵；S2：根据训练集合和潜在因子矩阵构建基础目标函数；S3：根据潜在因子矩阵构建距离映射函数；S4：根据基础目标函数和距离映射函数构建目标函数；S5：目标函数对潜在因子矩阵求一阶偏导；S6：确定第一因子矩阵；S7：将第一因子矩阵代入一阶偏导向量获得一阶梯度矩阵；S8：判断一阶梯度矩阵的F范数是否小于临界阈值，如果是，执行S10，否则执行S9；S9：对潜在因子矩阵进行迭代优化获得新的第一因子矩阵，并执行S7；S10：根据第一因子矩阵获得待预测实例的标签分布向量。本方案能够提高对实例进行标签分布预测的准确性。

技术领域

本发明涉及数据处理技术领域，特别涉及一种标签分布预测方法及装置。

背景技术

在图像识别、视频解析等领域，针对所输入的一个实例，所需要的输出结果是整个标签集的分布向量，分布向量中的每一个元素为标签集中相对应标签描述该实例的程度。比如，在根据一个学生的照片预测该学生的年龄时，如果预估这个学生的年龄为18至22岁，则相当于估计这个学生的年龄属于年龄标签集[18,19,20,21,22]中每个元素的可能性，如果18岁的可能性为10％，19岁的可能性为20％，20岁的可能性为40％，21岁的可能性为20％，22岁的可能性为10％，则所需要的输出结果为年龄标签集[18,19,20,21,22]的分布向量为[0.1,0.2,0.4,0.2,0.1]。

目前，一般通过标签分布学习算法(Label Distribution Learning，LDL)对实例进行标签分布预测，以确定实例针对整个标签集的分布向量。

由于标签分布学习算法中的标签是由专家人为给出或通过机器学习获得，这使得标签的划分边界存在模糊性，即不同标签之间是相互关联的，而目前利用标签分布学习算法对实例进行标签分布预测时并未考虑不同标签之间的关联性，导致对实例进行标签分布预测的准确性较低。

发明内容

本发明实施例提供了一种标签分布预测方法及装置，能够提高对实例进行标签分布预测的准确性。

第一方面，本发明实施例提供了一种标签分布预测方法，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。

可选地，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，