[发明专利]一种基于张量表示的动态超图结构学习分类方法及系统

说明书

本申请公开了一种基于张量表示的动态超图结构学习分类方法及系统，其中，该方法包括：步骤1，提取数据库中样本数据的特征向量，并根据特征向量，构建超图结构，并利用张量对超图结构中任一点集之间的连接强度进行表示；步骤2，将数据库中标签向量集合、以张量表示的超图结构以及点集的势能，引入势能损失函数和经验损失函数，生成动态超图结构学习模型，并利用交替优化法对动态超图结构学习模型进行优化求解，将模型求解后标签向量集合的最优解，用于数据分类。通过本申请中的技术方案，引入张量作为动态超图结构的表示形式以及动态超图结构学习方法，交替优化超图结构和数据的标签向量，最后根据数据标签向量的最优解实现数据分类。

技术领域

本申请涉及数据标签处理的技术领域，具体而言，涉及一种基于张量表示的动态超图结构学习分类方法以及一种基于张量表示的动态超图结构学习分类系统。

背景技术

在实际应用中，通常小部分的数据带有标签，大部分数据则是没有标签的。在这样的情况下，半监督的学习方法可以同时利用有标签数据和无标签数据，体现出了优异的性能。

超图是一种半监督分类方法，其每个顶点代表一个样本数据，超边表示样本数据间的关联，与简单图不同的是，一条超边可以连接多个顶点，因此，超图可以表示数据的复杂高阶关联。

基于超图结构的学习方法可以认为是在超图结构上进行标签传播的过程，超图上连接比较紧密的点应该有相似的标签，距离较远的点标签则应该不同。一个好的超图结构可以准确地建模数据间的关联性，从而得到更好的分类性能。

而现有技术中，建立超图结构的方法包括基于k近邻建图、基于稀疏表示建图等方法，这些方法根据数据的特征表示或者稀疏表示建立静态超图结构，在之后的超图学习过程中超图结构保持不变。显然，这种静态超图结构并不能保证是最优的。

另外，也有在超图学习的过程中调整超边的权重，因为不同的连接可能有不同的重要性。然而，这种调整并不能完全修复不合适甚至错误的连接，因此对超图结构性能的提升微乎其微。

发明内容

本申请的目的在于：提出动态超图结构，并引入张量作为动态超图结构的表示形式以及动态超图结构学习方法，交替优化超图结构和和数据的标签向量，最终得到稳定的、更优的超图结构和数据的标签向量，根据标签向量对无标签数据进行分类，弥补了传统静态超图结构不能准确表示数据关联的不足，有效地提高了数据分类的准确性。

本申请第一方面的技术方案是：提供了一种基于张量表示的动态超图结构学习分类方法，该方法包括：

步骤1，提取数据库中样本数据的特征向量，并根据特征向量，构建超图结构，并利用张量对超图结构中任一点集之间的连接强度进行表示，其中，样本数据包括有标签数据和无标签数据；

步骤2，将数据库中标签向量集合、以张量表示的超图结构以及点集的势能，引入势能损失函数和经验损失函数，生成动态超图结构学习模型，并利用交替优化法对动态超图结构学习模型进行优化求解，将优化求解后的模型，记作标签分类模型，标签分类模型用于求解标签向量集合的最优解进行数据分类，

其中，动态超图结构学习模型的计算公式为：

式中，为第ω个点集的连接强度，为所有的连接强度中以ω为索引排列为一行的行向量，为行向量的初始值，f^ω为点集的势能，λ和β为权重系数，Y为标签向量集合，Y₀为标签向量的初始值集合。

上述任一项技术方案中，进一步地，步骤1中，利用张量对超图结构中任一点集之间的连接强度进行张量表示，具体包括：在进行张量表示时，行向量的初始值中索引为ω的对应的元素的计算公式为：

ω∈Ψ_N