李闪闪，田文泉，潘正高

宿州学院信息工程学院，安徽宿州，234000

在标记学习中，研究对象往往具有多重语义，即一个对象包含多个属性[1]。例如在自然风景图像标注中，可以同时存在“蓝天”“白云”“大海”“沙滩”等多个元素，通过对标注信息的分析可以完成图像分类的工作。随着数据采集技术的发展，各种类型的数据资源正在迅速增长，以数据为基础的多标记研究面临着维数灾难的问题。数据的增长会增加计算时间、空间的消耗，同时无关数据的加入会降低分类算法的性能，因此,如何保证精度的同时有效去除多余特征是大家研究的重点。

在多标记学习中存在多种算法，如经典的ML-KNN(Multi-Label K Nearest Neighbors)算法[2]，考虑近邻样本的类别信息，根据最大化后验概率完成对多标记的分类预测，使分类器性能得到有效地提高。为了将标记间的相关性考虑进来，Elisseeff等提出Rank-SVM(Ranking Support Vector Machine)算法[3]，利用最大间隔策略构建多标记分类器。以上算法能够取得良好的实验效果，但伴随数据维数的增长，算法所消耗的时间也会增加。因此在多标记学习中引入数据降维，通过对数据进行处理，减少特征数目同时提高系统性能的方法。现有降维算法可以分为两种[4]：一是基于特征选择的属性约简方法，考虑特征之间的相关性，生成特征间冗余性较小的特征子集。二是基于特征提取的属性约简方法，根据对特征进行变换，把原始高维空间数据映射至新的低维空间，改变数据原有结构，保留数据信息。在多标记学习中，通过特征降维方法可以剔除冗余、重复的特征，减少数据的计算量，并提高算法整体的准确度。……