孙艳歌 , 邵 罕 , 李艳灵

(1. 信阳师范学院 计算机与信息技术学院，河南 信阳 464000；2. 北京交通大学 计算机与信息技术学院，北京 100044)

0 引言

传统的分类学习都假设数据只有一个类标，然而在实际应用中，一个实例却往往可能同时属于多个类别．例如，一部电影可能同时属于动作片、犯罪片和惊悚片；一篇新闻报道可能同时属于国内新闻、政治新闻和经济新闻；一个场景可能同时属于日出场景和海滨场景等．在这些情况下，每个实例都对应由多个标记组成的标记集，针对这种实例的分类称为多标记学习．多标记学习目前是机器学习和数据挖掘领域研究的热点之一，其研究成果广泛地应用于如文本分类[1]、图像视频的语义标注[2]、功能基因组[3]、音乐情感分类[4]等领域．

目前，研究者提出了众多多标记分类算法，文献[5]将标记分类算法分为两类：问题转化方法和算法适应方法．前者是将多标记分类问题转化为单个或者多个单标记分类问题．而后者则是对现有的单标记学习算法进行扩展，使其能直接处理多标记数据．

近年来，如何有效地利用标记间的依赖关系中所蕴含的信息以提高分类性能，已成为多标记学习中的一个研究热点．标记之间依赖关系中往往包含潜在有用的信息，如在场景分类中，海滨场景一般也属于室外场景，而政治新闻却不太可能属于娱乐新闻等，利用这些潜在信息将有助于提高分类器的性能．因此，本文在分析总结已……