不带标签传播的半监督学习

Question

我正试着用亲切感把一些词聚在一起。利用Word2Vec，用一种普通的无监督聚类方法得到了每个词的向量表示。

但在这些词中，我知道其中一些词的分类，例如我知道：

Colors集团==> red，blue，yellow

Gender集团==> man，woman

UNKNOWN ==> shoes，brown，beautiful.

如示例所示，brown应该被归类为Color，但是shoes和beautiful应该是不同的集群。

我如何利用这些信息创建一个半监督的模型，以便对每个单词进行聚类？

虽然这个问题是通用的，但实际上我尝试用Python创建一个程序，我尝试了sklearn.semi_supervised.LabelSpreading和sklearn.semi_supervised.LabelSpreading方法。

但是，这些并不是我所需要的，因为它们只将已知的标签分配给其余的对象，这意味着我将只使用我的Colors和Gender组。

Answer 1

这里似乎很好的一种策略是实例级受限聚类。这些方法是半监督的算法，在已知标签的实例之间具有“必须链接”和“不能链接”约束。所以在你的例子中，你会将4对(红色，蓝色)，(红色，黄色)，(蓝色，黄色)和(男性，女性)绑定为“必须链接”，而6对(红色，男性)，(红色，女性)，…，(黄色，女性)绑定为“不能链接”。

结果与无监督聚类相似。例如，如果要使用DBSCAN (忽略标签/约束)，则不需要指定要实现的集群/组数，算法甚至会找到“异常值”。

事实上，有一个DBSCAN版本支持实例级约束，称为called。Ruiz等人(2010年)的工作“基于密度的半监督聚类”对此作了描述。

我不知道任何开箱即用的实现，但我有一个工作版本的C我实现了一个实验。然而，它没有被记录下来，也没有表现/生产水平。如果您感兴趣，可以在我的实验室储存库上找到它(还包含contains，这是它的数据流版本，但它似乎不适合您的问题)。