Page 177 - 《软件学报》2021年第9期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2021,32(9):2801−2815 [doi: 10.13328/j.cnki.jos.006418] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

∗
一种协同过滤式零次学习方法

1,2
1,2
1,2
1,3
杨 博 , 张钰雪晴 , 彭羿达 , 张春旭 , 黄 晶 1,2
1
(符号计算与知识工程教育部重点实验室(吉林大学),吉林 长春 130012)
2 (吉林大学 计算机科学与技术学院,吉林 长春 130012)
3 (吉林大学 软件学院,吉林 长春 130012)
通讯作者: 黄晶, E-mail: huangjing@jlu.edu.cn

摘 要: 深度学习算法在很多有监督学习任务上达到了令人满意的结果,但其依赖于大量标注样本,并且使用特
定类别训练的分类器,只能对这些类别进行分类.零次学习希望计算机像人类一样,能够结合历史经验与知识进行推
理,无需使用大量新类别样本训练,便可达到识别新类别的效果.发现了零次学习任务存在“冷启动”以及矩阵稀疏两
个特点,这些特点在推荐任务中同样存在.受推荐任务启发,将零次图像分类任务建模为矩阵填充问题,借鉴推荐领
域中协同过滤算法,将稀疏的样本标签矩阵视为非稀疏的视觉特征矩阵和类别特征矩阵的内积结果,进而实现对新
类别样本的分类预测.此外,构建了基于类间语义关联的语义图结构,使用图神经网络进行已知类别和新类别之间的
知识迁移,以较小代价为类别学得准确的语义特征.在 3 个经典零次学习数据集上分别进行传统零次学习和广义零
次学习实验,实验结果表明:提出的协同过滤式零次学习方法能够有效提升分类精度,且训练代价较小.
关键词: 零次学习;协同过滤;矩阵填充;图神经网络
中图法分类号: TP183

中文引用格式: 杨博,张钰雪晴,彭羿达,张春旭,黄晶.一种协同过滤式零次学习方法.软件学报,2021,32(9):2801−2815.
http://www. jos.org.cn/1000-9825/6418.htm
英文引用格式: Yang B, Zhang YXQ, Peng YD, Zhang CX, Huang J. Collaborative filtering based zero-shot learning. Ruan Jian
Xue Bao/Journal of Software, 2021,32(9):2801−2815 (in Chinese). http://www.jos.org.cn/1000-9825/6418.htm
Collaborative Filtering Based Zero-Shot Learning

1,2
1,2
1,2
1,3
YANG Bo , ZHANG Yu-Xue-Qing , PENG Yi-Da , ZHANG Chun-Xu , HUANG Jing 1,2
1
(Key Laboratory of Symbolic Computation and Knowledge Engineering for Ministry of Education (Jilin University), Changchun 130012,
China)
2
(College of Computer Science and Technology, Jilin University, Changchun 130012, China)
3
(College of Software, Jilin University, Changchun 130012, China)
Abstract: Many deep learning algorithms have achieved satisfactory results on many supervised learning tasks, but they rely on a large
number of labeled samples, and the classifiers trained with specific categories can only classify these categories. Zero-shot learning
wishes that the computer can reason like a human, it uses historical knowledge to infer the characteristics of new objects and has the
ability to recognize novel categories without lots of samples. It is found that there are sparse matrix and “cold-start” phenomena in
zero-shot learning task, these phenomena are also in the recommendation tasks. Inspired by the recommendation tasks, the zero-shot
classification task is modeled as a matrix completion problem, hoping to learn from the collaborative filtering algorithms in the

∗ 基金项目: 国家自然科学基金(61876069, 62172185); 吉林省自然科学基金(20200201036JC); 吉林省科技厅重点研发项目
(20180201044 GX, 20180201067GX)
Foundation item: National Natural Science Foundation of China (61876069, 62172185); Jilin Province Natural Science Foundation
(20200201036JC); Jilin Province Key Scientific and Technological Research and Development Project (20180201044GX, 20180201067
GX)
收稿时间: 2020-11-12; 修改时间: 2021-02-11; 采用时间: 2021-07-12