用于集体分类的基于图的关系特征
信息检索
2017-02-13 v1 人工智能
机器学习
摘要
统计关系学习(SRL)方法已表明，通过整合样本间的关系可以提高分类准确率。诸如迭代分类或松弛标记等技术通过在推断过程中在相关样本间传播信息来实现这一点。当仅少量样本被标记且样本间连接稀疏时，集体推断方法已显示出比标准基于特征的机器学习(ML)方法更大的改进。然而，与基于特征的ML相比，集体推断方法需要复杂的推断过程，并且常常依赖于相关样本间标签一致性的强假设。在本文中，我们通过从直接和间接关系中提取信息，为标准的ML方法引入新的关系特征。我们在三个标准基准数据集上经验性地表明，我们的关系特征产生的结果与集体推断方法相当。最后我们表明，当有额外信息可用时，我们的方案优于这些方法。
引用
@article{arxiv.1702.02817,
title = {Graph Based Relational Features for Collective Classification},
author = {Immanuel Bayer and Uwe Nagel and Steffen Rendle},
journal= {arXiv preprint arXiv:1702.02817},
year = {2017}
}
备注
Pacific-Asia Conference on Knowledge Discovery and Data Mining