多标记文本数据流分类方法研究

Most existing works on data stream classification are only suitable for single-label data streams. It is a challenge to apply them in the real-world data streams specially the text data streams (including the Weibo articles and the online shopping reviews) where instances have multi-labels. Meanwhile, when performing classification on data streams, traditional techniques for multi-label data classification have a relatively poor efficiency in both time and space due to the characteristics of data streams. Therefore, in our proposal, we focus on the study of online learning methods for multi-label Web data streams, especially on the study of online methods based on the feature representation of the semantic contexts of terms etc. More specifically, we first design new techniques of term recognition and feature representation of the semantic contexts in multi-label text data streams, and then we study the label dependence and matching functions between features and labels, and the online feature selection-based formalization methods. Correspondingly, we design the effectively and efficiently online multi-label data stream classification models and the corresponding evaluation measures. Secondly, we focus on the detection and prediction of the data distribution changing using the above multi-label data stream learning models. Meanwhile, we analyze the qualitative and quantitative relationship between the data distribution changing and the changing of matching functions between features and labels and noisy data, and then propose the corresponding evaluation measures. Lastly, we apply our methods into labeling the contents of Weibo articles and design a prototype classification system for multi-label data streams.

现实世界中的数据流尤其是文本数据流（例如：微博博文数据、网络购物评论数据等）数据含多个标记的现象，使得面向单标记数据流处理的分类算法难以直接使用。而数据流的海量、快速、多变等特点，又使得传统的多标记数据分类方法面临挑战。因此，本课题拟开展在线多标记文本数据流分类方法研究，重点研究基于实体语义上下文特征表示等策略的在线多标记数据分类方法。在文本数据流实体识别与语义上下文特征表示研究的基础上，开展标记间依赖关系、特征与标记映射关系的形式化表示方法与在线特征选择方法研究，进而开展在线多标记文本数据流分类模型的构建、更新与评估等方面的研究；再次，研究多标记数据流环境下的数据分布变化的检测与预测方法，探索特征与标记的映射关系变化和噪音对数据分布变化影响的定性与定量关系，构建相应的度量标准与评价体系。基于上述研究，以微博博文分类为例，设计并实现面向Web服务应用领域的多标记数据流分类的原型系统。

实际应用领域社交网络、网络监控、传感器网络等，正以每天数以百万Gbit增长的速度产生大量的数据流。它们呈现出海量、快速、无限等特点，更显著的特点是特征高维稀疏、隐含语义信息低质、概念漂移等。因此，针对实际流数据开展分类任务的研究，以寻求适应数据流的在线模型、解决特征高维稀疏、语义低质、概念漂移等问题，具有重要研究意义和实际应用价值。目前我们主要从以下五个方面开展工作，包括：海量数据的实体识别与语义计算方法研究、高维稀疏文本数据流的特征选择方法研究、面向文本数据流的在线分类模型与算法研究、主题漂移检测方法研究以及应用，研究工作按照预定计划，取得的研究成果总结如下：. （1）理论方法上强调创新：在国内外重要学术刊物和会议上发表高质量论文15篇，其中，已发表/录用SCI 检索期刊论文7篇（其中IEEE Trans. 论文2篇）、EI会议论文4篇（其中ICDM顶级国际会议论文1篇）、国内核心期刊论文4篇；. （2） 基础研究可持续性：在此项目研究工作的基础上，课题主持人承担1 项重点研发计划项目（No. 2016YFB1000903）子课题；. （3） 技术方法在实际应用领域的探索与应用，提高其社会效益：申请专利2项；. （4） 人才培养：培养博士生3名、硕士生5名。