专利交易市场

一种增强的锚点图半监督分类方法，包括：S100、准备数据集；S200、对S100准备的数据集采用锚点提取方法提取m个锚点，得到锚点集U；S300、根据S200得到的锚点集U，使用基于锚点的概率近邻方法建立锚点集U中的锚点或已标记数据集Xl中的节点与数据集中其他节点之间的关系，得到关系矩阵Z*；S400、将S200中得到的锚点集U中的锚点和已标记数据集Xl中的节点作为节点构造图结构，利用扩展标签传播方法进行标签传播；S500、根据S300中得到的关系矩阵Z*和S400中得到的标签矩阵F*进行标签传播得到最终分类结果。本公开提出的分类方法能够降低半监督分类过程中的时间复杂度和空间复杂度，提高效率。

本发明涉及半监督学习技术领域，且公开了一种利用自适应双阈值来进行半监督学习的方法，包括以下步骤，S1、对于有标签数据，对其进行弱增广之后输入模型，将预测结果与其所属标签求交叉熵损失，S2、在利用无标签数据对模型进行训练时，为每一类提取一个自适应阈值，结合固定阈值和类自适应阈值组成了自适应双阈值，除利用固定阈值来确认高置信度的无标签数据外，还有预测值小于固定阈值但大于提取的类自适应阈值的无标签数据，对于这两种类型的无标签数据设计了不同的学习策略，S3、提出了一种新的相似损失来进一步挖掘相似无标签数据间的信息，充分利用了无标签数据中的有效信息。

本发明公开一种用于结构化数据的半监督学习的方法，构建用于结构化数据的半监督对抗神经网络模型，对原始结构化数据X预处理，将原始数据X的特征划分成类别型特征子集xCT和数值型特征子集xNL；模型判别器的原始输入为{x1，xu，xg}，其中x1，xu分别是有标记和无标记样本，xg为生成器生成的样本，x1，xu包含的特征集相同，将样本的类别特征子集xCT输入Embedding layer，得到对应的稠密嵌入向量E(xCT)，再与数值型特征子集xNL组合得到具有新特征集的样本E(xCT)+xNL，应用BN技术得到归一化的包含新特征集的样本，将新样本输入判别器进行训练，生成样本xg则直接作为判别器的输入；生成器，由三层全连接网络组成并且每一层的输出都应用BN防止梯度弥散，噪声作为输出，得到拥有特征E(xCT)+xNL的生产样本xg。

本发明公开了一种基于半监督学习的社交网络垃圾用户过滤方法，将协同训练算法应用于社交网络垃圾用户检测。现有对社交网络中的海量信息进行的分类大多利用监督学习算法，该算法都是基于已标注数据建立的分类模型，但因社交信息规模庞大，标注数据所需人工成本巨大，且解决社交网络用户数据标注的方法不多。提出一种方法，借鉴协同训练算法，将多视图、多分类器运用到大量无标注或有少量标注的社交网络数据中，使不同视图上的分类器相互学习，实现数据标注的目的。

本发明涉及互联网技术领域，更具体地，涉及一种半监督多视图学习的网页分类方法，包括：从网页中获取数据，建立训练集；通过已标记训练集训练分类器；通过训练好的分类器对已标记训练集和未标记训练集进行编码，获取样本特征；对样本特征进行密度聚类，获取聚类结果；根据聚类结果对未标记训练集的样本进行分类。本方案使用已标记训练集对分类器进行训练，在现有的多视图分类方法的基础上加入正交约束和对抗相似约束，再通过训练好的分类器对训练集里所有的数据进行密度聚类标记，最后对分类器进行准确率验证，多次迭代上述过程能使分类器的分类性能得到提升。

本发明公开了一种半监督智能分类方法，包括：从影像数据库中获取肿瘤影像图像并进行预处理；通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测，提取肿瘤图像；通过超体素图像分割算法，对所述肿瘤图像进行图形分割检测，得到预分割图像；通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析，得到其紧密程度；并采用监督学习机制，对所述预分割图像做疾病预测，使用K/N投票表决机制，得到最终优化的超像素分类结果；本发明通过引入半监督智能分类学习理论，充分利用标记和非标记的肿瘤数据，提升肿瘤形状识别的效率及精准度，从而尽量降低依赖人工分析病灶影像，使得自动化肿瘤类型分析和鉴别成为可能。