无监督排序学习算法的一致性比较分析

doi:10.3969/j.issn.1000-1565.2015.02.013

河北大学学报(自然科学版) ›› 2015, Vol. 35 ›› Issue (2): 182-187.DOI: 10.3969/j.issn.1000-1565.2015.02.013

• 电子工程与计算机科学 • 上一篇下一篇

无监督排序学习算法的一致性比较分析

李纯果¹，李海峰²

1.河北大学数学与信息科学学院，河北保定 071002；2.河北大学党委组织部，河北保定 071002

收稿日期:2014-09-12 修回日期:2014-11-12 出版日期:2015-03-25 发布日期:2015-03-25
通讯作者: 李纯果
作者简介:李纯果（1981-），女，河北邯郸人，河北大学讲师，主要从事模式识别理论基础与应用、机器学习等研究
基金资助:
河北省自然科学基金项目（F2013201060）

Comparison Analysis on Ranking Consensus

Li Chunguo¹, Li Haifeng¹

(1. College of Mathematics and Information Science, Hebei University, Baoding 071002, China; 2. Department of Party Committee Organization, Hebei University, Baoding 071002, China

Received:2014-09-12 Revised:2014-11-12 Online:2015-03-25 Published:2015-03-25
Contact: Li Chunguo

摘要/Abstract

摘要： 对于无监督的排序学习算法来说，排序结果的评价指标是非常具有挑战性的问题.从一致性的角度，比较了4种比较典型的无监督排序学习方法，并在机器学习标准数据库中进行试验比较分析.结果显示，RPC这种非线性的无监督排序融合方法产生的排序结果有最小的Kendall距离和Spearman简捷距离，体现了RPC在无监督排序方法的优越性.

关键词: 启发式排序, 学习式排序, 排序一致性, RPC

Abstract: Unsupervised ranking has a big challenge that there is no standard metric to measure the ranking results. This paper tries to propose a comparison scheme for unsupervised ranking based on ranking consensus. Some metrics used in supervised ranking can be used here to measure unsupervised ranking consensus. However, these metrics are taken between ranking lists and attributes, rather than ranking lists and ranking labels. Experimental results on UCI datasets show that RPC, which is one kind of unsupervised ranking aggregation method, has the minimum Kendall Distance and Spearman Footrule Distance than the other representative unsupervised ranking methods.

中图分类号:

TP181

李纯果，李海峰. 无监督排序学习算法的一致性比较分析[J]. 河北大学学报(自然科学版), 2015, 35(2): 182-187.

Li Chunguo, Li Haifeng. Comparison Analysis on Ranking Consensus[J]. Journal of Hebei University (Natural Science Edition), 2015, 35(2): 182-187.

[1]	翟俊海, 田石, 张素芳, 王谟瀚, 宋丹丹. 基于MapReduce和Spark的大数据模糊K-means算法比较[J]. 河北大学学报(自然科学版), 2020, 40(4): 433-440.
[2]	鲁淑霞,张罗幻, 蔡莲香,孙丽丽. 带有方差减小的加权零阶随机梯度下降算法[J]. 河北大学学报(自然科学版), 2019, 39(5): 536-546.
[3]	翟俊海,沈矗,张素芳,王婷婷. 基于Spark和SimHash的大数据K-近邻分类算法[J]. 河北大学学报(自然科学版), 2019, 39(2): 201-210.
[4]	张素芳, 翟俊海, 王聪, 沈矗, 赵春玲. 大数据与大数据机器学习[J]. 河北大学学报(自然科学版), 2018, 38(3): 299-308.
[5]	杨文柱,田潇潇,王思乐,张锡忠. 主动学习算法研究进展[J]. 河北大学学报(自然科学版), 2017, 37(2): 216-224.
[6]	吴舒霞,陈炼,高胜保. 混合Markov与Bayes的客户欠费预测模型[J]. 河北大学学报(自然科学版), 2016, 36(5): 535-540.
[7]	杜二玲,李俊华. 受噪声影响的复拟随机样本的STL关键定理[J]. 河北大学学报(自然科学版), 2015, 35(5): 449-452.
[8]	湛燕,陈昊. 基于主题本体扩展特征的短文本分类[J]. 河北大学学报(自然科学版), 2014, 34(3): 307-311.
[9]	翟俊海,赵文秀,李塔. 一种简单有效的人脸识别方法[J]. 河北大学学报(自然科学版), 2013, 33(6): 654-660.
[10]	翟俊海,张素芳,徐正夫,王熙照. 粗糙集与决策树比较研究[J]. 河北大学学报(自然科学版), 2012, 32(4): 421-428.
[11]	哈明虎,黄澍,王超,王晓丽. 直觉模糊支持向量机[J]. 河北大学学报(自然科学版), 2011, 31(3): 225-229.
[12]	鲁淑霞,曹贵恩,孟洁,王华超. 基于取样的潜在支持向量机序列最小优化算法[J]. 河北大学学报(自然科学版), 2011, 31(2): 113-117.
[13]	李凯,马红艳,杨楠,陈新勇. 半监督学习算法的收敛性及其在人脸识别中的应用[J]. 河北大学学报(自然科学版), 2011, 31(1): 92-97.
[14]	翟俊海,翟梦尧,王华超. 基于小波变换和2DPCA的人脸识别[J]. 河北大学学报(自然科学版), 2010, 30(5): 574-579.
[15]	陈昊,湛燕,张素芳. 电力智能服务系统的设计与实现[J]. 河北大学学报(自然科学版), 2010, 30(4): 434-438.

无监督排序学习算法的一致性比较分析

Comparison Analysis on Ranking Consensus

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价