计算机应用

作者：叶志宇, 冯爱民, 高航

单位：南京航空航天大学 计算机科学与技术学院, 南京 211100

关键词：机器学习,轻量化梯度促进机,数据挖掘,深度模型,集成学习,特征工程

针对轻量化梯度促进机（LightGBM）等集成学习模型只对数据信息进行一次挖掘，无法自动地细化数据挖掘粒度或通过深入挖掘得到更多的数据中潜在内部关联信息的问题，提出了深度LightGBM集成学习模型，该模型由滑动窗口和加深两部分组成。首先，通过滑动窗口使得集成学习模型能够自动地细化数据挖掘粒度，从而更加深入地挖掘数据中潜在的内部关联信息，同时赋予模型一定的表示学习能力。然后，基于滑动窗口，用加深步骤进一步地提升模型的表示学习能力。最后，结合特征工程对数据集进行处理。在谷歌商店数据集上进行的实验结果表明，所提深度集成学习模型相较原始集成学习模型的预测精度高出6.16个百分点。所提方法能够自动地细化数据挖掘粒度，从而获取更多数据集中的潜在信息，并且深度LightGBM集成学习模型与传统深度神经网络相比是非神经网络的深度模型，参数更少，可解释性更强。

来源：2019年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第12期