使用不准确外部分类器信息的基于图的分类方法

在本文中，我们考虑了在实体间存在关系信息的情况下对实体进行集体分类的问题。在实践中，每个实体不准确的类别分布通常可从另一个（外部）分类器获得。例如，该分布可能来自基于内容特征构建的分类器或简单的字典。给定关系信息和不准确的外部分类器信息，我们考虑了两种基于图的设定，可以在其中解决集体分类问题。在第一种设定中，类别分布用于固定一部分节点的标签，而其余节点的标签则像直推式设定中那样获得。在另一种设定中，所有节点的类别分布被用于定义图正则化目标函数的拟合函数部分。我们定义了一个广义目标函数来处理这两种设定。文献中报道的调和 Gauss 场和局部全局一致性（LGC）等方法可以看作是其特例。我们扩展了 LGC 和加权投票关系邻居分类（WvRN）方法，以支持外部分类器信息的使用。我们还提出了一种基于最小二乘正则化（LSR）的高效方法，并将其与信息正则化方法联系起来。所有方法均在多个基准数据集和真实世界数据集上进行了评估。综合考虑速度、鲁棒性和准确性，实验结果表明 LSR 和 WvRN 扩展方法优于其他方法。