添加成对约束后的标签传播算法研究：使用Python语言编写算法，在空手道数据集下验证算法的准确性，在一定程度上解决非对齐问题

背景：

        辅导的过程中遇到了一个比较新颖的问题，下面是我对这个问题的分析和简要思路介绍。

思路分析：

        这算机器学习下面的无监督学习，标签传播算法简称LPA，传统的标签传播算法会出现非对齐问题，一句话描述就是预测的结果对比真实数据来说，不够精准。

        我做的研究就是添加了成对约束条件（来源于真实的空手道数据集），在传统LPA算法过程中添加了必连和非必连条件，去在迭代的过程中一定程度上控制结果，一定程度上解决了非对齐问题，提高了精准性。

过程：

原始空手道数据图：

传统LPA结果图分析：

添加成对约束后的LPA结果图分析：

结论：

        添加成对约束后，由于我算法设置的是成对约束条件随机来源于真实的空手道数据集，所以有时候添加成对约束的LPA在空手道数据集表现上优于传统的LPA算法，但有时候又不行，有一定的随机性。目前我的测试结果是4次有3次表现优于传统的LPA，平面结果图上的社区分布也和原始空手道数据的社区分布更为贴近。

        说明添加了成对约束条件后，还是有用的，即预测结果相较于原始的LPA算法处理空手道数据集会更好，在一定程度上能解决非对齐问题。

源码、演示视频、指导手册获取

        我在解决中主要是查看知网的文献、看国外的对应网站以及学习机器学习。