4、层级结构建模：树形层级、DAG层级、层级先验的数学表达

在层级预测任务中，数据稀疏问题往往伴随着层级结构的非均匀分布。本章聚焦于如何将层级结构转化为可计算的数学模型，涵盖树形层级、有向无环图（DAG）层级以及层级先验的数学表达，为后续的调和权重学习奠定结构基础。

4.1 树形层级结构建模

树形层级是最常见的层级结构，每个节点有且仅有一个父节点，形成严格的层次关系。在数学上，树形层级可以用以下方式表达：

• 节点集合：\( \mathcal{V} = \{v_1, v_2, \dots, v_n\} \)，其中根节点 \( v_0 \) 代表最粗粒度类别。
• 边集合：\( \mathcal{E} \subseteq \mathcal{V} \times \mathcal{V} \)，表示父子关系，满足 \( |\text{parent}(v)| = 1 \) 对除根节点外的所有节点成立。
• 层级深度：\( d(v) \) 表示从根节点到节点 \( v \) 的路径长度，根节点深度为 0。

在调和权重学习中，树形层级通常通过层级编码矩阵 \( \mathbf{H} \in \{0,1\}^{L \times N} \) 来表示，其中 \( L \) 为层级数，\( N \) 为叶子节点数。矩阵元素 \( h_{l,i} = 1 \) 表示叶子节点 \( i \) 属于第 \( l \) 层对应的父节点。

4.2 DAG层级结构建模

有向无环图（DAG）层级允许一个节点拥有多个父节点，适用于多标签分类、多层级归属等复杂场景。DAG层级的数学表达比树形更灵活：

• 节点集合：\( \mathcal{V} = \{v_1, v_2, \dots, v_n\} \)，无根节点限制。
• 有向边集合：\( \mathcal{E} \subseteq \mathcal{V} \times \mathcal{V} \)，表示从粗粒度到细粒度的方向，且图中不存在有向环。
• 偏序关系：若存在从 \( v_i \) 到 \( v_j \) 的路径，则 \( v_i \preceq v_j \)，表示 \( v_i \) 是 \( v_j \) 的祖先。

DAG层级与树形层级的关键区别在于：

4.3 层级先验的数学表达

层级先验（Hierarchical Prior）是将层级结构信息融入模型的正则化或约束条件。常见的数学表达形式包括：

4.3.1 基于距离的层级先验

假设层级中两个节点 \( v_i \) 和 \( v_j \) 的语义相似度与它们在层级中的距离成反比：

层级距离：d(v_i, v_j) = 从 v_i 到 v_j 的最短路径长度
先验权重：w_{i,j} = exp(-λ · d(v_i, v_j))
其中 λ 为衰减系数，控制层级距离的影响强度

4.3.2 基于祖先共享的层级先验

利用共同祖先的数量来衡量节点间的先验关联：

共同祖先集合：Anc(v_i) ∩ Anc(v_j)
先验相似度：s(v_i, v_j) = |Anc(v_i) ∩ Anc(v_j)| / |Anc(v_i) ∪ Anc(v_j)|
该指标在树形层级中退化为 Jaccard 相似度

4.3.3 层级拉普拉斯先验

将层级结构编码为图拉普拉斯矩阵，用于正则化模型参数：

层级邻接矩阵：W ∈ ℝ^{N×N}, W_{i,j} = 1 若 v_i 是 v_j 的父节点
层级度矩阵：D = diag(∑_j W_{i,j})
层级拉普拉斯矩阵：L = D - W
正则化项：Ω(θ) = θ^T L θ = ∑_{i,j} W_{i,j} (θ_i - θ_j)^2
该先验鼓励相邻层级节点的参数保持平滑变化

4.4 层级结构的选择策略

在实际项目中，选择树形还是DAG层级取决于数据特性和业务需求：

• 严格分类体系（如生物分类、产品目录）：优先使用树形层级，计算简单且解释性强。
• 多标签归属体系（如文档主题、基因功能）：使用DAG层级，允许一个细粒度类别属于多个粗粒度类别。
• 层级先验的融合：在调和权重学习中，将层级先验作为正则项加入损失函数，可以有效缓解数据稀疏带来的过拟合问题。