47、生物医学主题分类算法与F-度量优化策略

生物医学主题分类算法与F-度量优化策略

1. 引言

在生物医学领域，对科研论文进行主题分类是一项重要任务。“JRS 2012数据挖掘竞赛”就聚焦于这一问题。竞赛组织者收集了包含20000篇期刊文章的文档集，这些文章来自PubMed Central开放获取子集，并由生物医学专家使用MeSH副标题进行标注。

竞赛数据分为训练数据和测试数据。训练数据包含一个 $m×n$ 的特征矩阵 $X$ 和一个 $m×l$ 的分类矩阵 $Y$，其中 $m = 10000$ 是训练集中文章的数量，$n = 25640$ 是特征（MeSH术语）的数量，$l = 82$ 是类别（主题）的数量。测试数据仅包含一个 $q×n$ 的矩阵 $X2$，任务是为测试集揭示一个 $q×l$ 的分类矩阵 $Y2$。

参与者的提交结果使用平均F分数进行评估，公式如下：
[
\frac{1}{q} \sum_{i = 1}^{q} \frac{2 \sum_{j = 1}^{l} a_{ij}y_{ij}}{\sum_{j = 1}^{l} a_{ij} + \sum_{j = 1}^{l} y_{ij}}
]
其中，$||a_{ij}|| {q×l}$ 是提交的解决方案，$||y {ij}||_{q×l}$ 是正确的分类矩阵。

2. 算法组合

解决方案的核心思想是将简单算法进行融合。使用不同算法可以显著提高性能，而且简单算法更可靠且易于调整。

设 $q×l$ 矩阵 $E = ||e_{ij}|| {q×l}$ 是算法的输出，称为估计矩阵，其中 $e {ij}$ 是第 $i$ 个