[发明专利]基于局部类别一致聚类和多任务学习的分类方法及设备

摘要

本发明涉及计算机数据处理领域，提出了一种基于局部类别一致聚类和多任务学习的分类和设备，旨在解决数据分类中支持向量机因运算量大而使得分类慢的问题。该方法的一具体实施方式包括使用K‑均值对待分类数据进行聚类，在每个聚类上训练一个线性支持向量机以初始化模型的参数；然后，使用局部一致聚类方法将待处理数据划分为多个聚类，在每个聚类上训练一个线性支持向量机；将聚类和训练支持向量机融合到一个产生式图模型中；使用多任务学习方法同时学习上述支持向量机；利用期望最大化算法求解初始分类模型的参数，由上述参数得到分类模型，利用分类模型对待分类数据进行分类。该实施方式提高大规模的待分类数据的分类速度。

主权项

一种基于局部类别一致聚类和多任务学习的分类方法，其特征在于，所述方法包括如下步骤：步骤1：利用K‑均值聚类方法对待分类数据进行聚类，生成多个第一聚类，在每个所述第一聚类上训练一个线性的第一支持向量机，根据所述第一聚类和所述第一支持向量机生成初始分类模型的参数；步骤2：根据局部类别一致聚类的方法将所述待分类数据划分为多个第二聚类，在每个所述第二聚类上训练一个线性的第二支持向量机；步骤3：在一个产生式模型中融合所述第二聚类，并训练所述第二支持向量机；步骤4：使用多任务学习方法同时学习所述第二支持向量机，并在各个所述第二支持向量机之间迁移知识；所述知识为由属性或特征组成的特征信息；步骤5：利用期望最大化算法来求解所述局部类别一致聚类的参数和所述第二支持向量机的参数，并根据所述局部类别一致聚类的参数和所述第二支持向量机的参数更新所述初始分类模型的参数，生成分类模型；步骤6：利用所述分类模型来对所述待分类数据进行分类。