GOS＋MU：一种查询对象选择新方法.pdfVIP

第３２卷第４期　　　 计算机应用与软件 Ｖｏｌ．３２ Ｎｏ．４ ２０１５ 年４ 月　　 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ａｐｒ．２０１５ ＧＯＳ＋ＭＵ：一种查询对象选择新方法 陈　念 　唐振民　帅小应１ ２ １ １ （池州学院数学与计算机科学系　安徽 池州２４７０００） ２ （南京理工大学计算机科学与工程学院　江苏 南京２１００９４） 摘　要　　在分析单一ＭＵ （Ｍｏｓｔ Ｕｎｃｅｒｔａｉｎｔｙ）采样缺陷的基础上，提出一种“全局最优搜寻”方法ＧＯＳ（Ｇｌｏｂａｌ Ｏｐｔｉｍａｌ Ｓｅａｒｃｈ），并结 合ＭＵ 共同完成查询选择。ＧＯＳ＋ＭＵ 方法中，ＧＯＳ 着眼全局寻找目标，在应用环境能提供的训练样本数量有限、分类器受训不充分 时，该方法选择的对象学习价值高，能快速推进分类器学习进程；ＭＵ 则能够在ＧＯＳ 采样失效情形下，利用分类器当前训练成果，选 择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真，并比较其他采样学习方法的效果，证明了ＧＯＳ ＋ＭＵ 方法在压缩学习成本、提高训练效率方面的有效性。 关键词　　查询选择　不确定性采样　条件熵　全局最优有哪些信誉好的足球投注网站　采样阈值 中图分类号　ＴＰ１８１　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００-３８６ｘ．２０１５．０４．０１０ ＧＯＳ＋ＭＵ：Ａ ＮＥＷ ＭＥＴＨＯＤ ＯＦ ＱＵＥＲＹ ＯＢＪＥＣＴ ＳＥＬＥＣＴＩＯＮ Ｃｈｅｎ Ｎｉａｎ 　Ｔａｎｇ Ｚｈｅｎｍｉｎ 　Ｓｈｕａｉ Ｘｉａｏｙｉｎｇ１ ２ １ １ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＭａｔｈｅｍａｔｉｃｓ ａｎｄ ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，Ｃｈｉｚｈｏｕ Ｃｏｌｌｅｇｅ，Ｃｈｉｚｈｏｕ２４７０００，Ａｎｈｕｉ，Ｃｈｉｎａ） ２ （Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ ａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００９４，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ａｆｔｅｒ ａｎａｌｙｓｉｎｇ ｔｈｅ ｄｅｆｅｃｔｓ ｏｆｓｉｎｇｌｅ ＭＵ （ｍｏｓｔｕｎｃｅｒｔａｉｎｔｙ）ｓａｍｐｌｉｎｇ，ｗｅ ｐｕｔｆｏｒｗａｒｄ ａ ＧＯＳ （ｇｌｏｂａｌ ｏｐｔｉｍｕｍ ｓｅａｒｃｈ）ｍｅｔｈｏｄ ａｎｄ ｃｏｍｂｉｎｅｓ ＭＵ ｍｅｔｈｏｄ ｗｉｔｈ ｉｔ ｔｏ ｊｏｉｎｔｌｙ ｉｍｐｌｅｍｅｎｔ ｔｈｅ ｑｕｅｒｙ ｓｅｌｅｃｔｉｏｎ．Ｉｎ ＧＯＳ ＋ＭＵ ｍｅｔｈｏｄ，ＧＯＳ ｆｏｃｕｓｅｓ ｏｎ ｓｅａｒｃｈｉｎｇ ｔｈｅ ｏｂｊｅｃｔ ｇｌｏｂａｌｌｙ，ｕｎｄｅｒ ｔｈｅ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ｌｉｍｉｔｅｄ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｐｒｏｖｉｄｅｄ ｂｙ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ｉｎｓｕｆｆｉｃｉｅｎｔ ｃｌａｓｓｉｆｉｅｒ ｔｒａｉｎｉｎｇ，ｔｈｅ ｏｂｊｅｃｔ ｓｅｌｅｃｔｅｄ ｂｙ ｔｈｉｓ ｍｅｔｈｏｄ ｈａｓｈｉｇｈｌｅａｒｎｉｎｇｖａｌｕｅ ａｎｄｃａｎｆａｓｔｐｒｏｍｏｔｅｔｈｅｌｅａｒｎｉｎｇｐｒｏｃｅｓｓｏｆｃｌａｓｓｉｆｉｅｒ；ａｎｄ ＭＵ ｃａｎ ｓｅｌｅｃｔｓｔｈｅ ｓａｍｐｌｅｓ ｗｉｔｈ ｍｏｓｔ ｕｎｃｅｒｔａｉｎｔｙ ｔｏ ｓｕｐｐｌｅｍｅｎｔ ｔｒａｉｎｉｎｇ ｓｅｔ ｕｓｉｎｇ ｃｕｒｒｅｎｔ ｔｒａｉｎｉｎｇ ｏｕｔｃｏｍｅｓ ｏｆ ｃｌａｓｓｉｆｉｅｒ ｗｈｅｎ ｔｈｅ ＧＯＳ ｆａｉｌｓ ｉｎ ｓａｍｐｌｉｎｇ．Ｂｙ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｏｎ ｃｌａｓｓｉｆｙｉｎｇ ｕｓｅｒｓ’ｒｅｖｉｅｗｓｏｎ ｎｅｔｗｏｒｋｓｐｒｏｄｕｃｔｓａｎｄ ｃｏｍｐａｒｉｎｇｔｈｅ ｅｆｆｅｃｔｓｏｆｏｔｈｅｒｓａｍｐｌｉｎｇｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ，ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆＧＯＳ＋ＭＵ ｍｅｔｈｏｄ ｉｎ ｃｏｍｐ