条件互信息度量BSNBC分类学习算法*

在综合考虑算法效率与效用性的基础上提出了一种新的有界半朴素贝叶斯分类(bounded semi-naive Bayesian classifier,BSNBC)算法.传统的SNBC仅能将两个属性构成一个组合属性,大大制约了SNBC的分类性能.BSNBC在一定程度上克服了SNBC的上述弱点,它能将最多K个属性组合成一个组合属性节点.IP算法与LP算法可用于学习BSNBC,但是它们的搜索过程带有一定的盲目性.提出的算法利用条件互信息将关联性大的属性组合在一起.实验证明了其有效性.     

朴素贝叶斯分类器增量学习序列算法研究

首先介绍了一种朴素贝叶斯增量分类模型,然后提出了一种新的序列学习算法以弥补其学习序列中存在的不足训练实例的先验知识得不到充分利用,测试实例的完备性对分类的影响在学习过程中得不到体现等。该算法引入一个分类损失权重系数λ,用于计算分类损失大小。引入该系数的作用在于充分利用先验知识对分类器进行了优化;通过选择合理的学习序列强化了较完备数据对分类的积极影响,弱化了噪音数据的消极影响,从而提高分类精度;弥补了独立性假设在实际问题中的不足等。     

基于空间映射的顶点带属性网络的链接预测

提出了基于空间映射的顶点带属性网络的链接预测算法。顶点带属性网络包含拓扑及顶点属性两种信息,为了综合考虑这两种信息,将二者同时映射到另一空间。完成空间映射后,在新的空间计算顶点的相似度,并以此来预测链接存在的可能性。提出分步交叉迭代的方法来取得最优的映射矩阵,以在新的空间中有效融合拓扑信息与顶点属性信息。实验结果证明了空间映射方法的正确性,所提出的基于空间映射的方法能够取得较高质量的预测结果。