李永豪，胡亮，张平，高万夫,3

（1.吉林大学计算机科学与技术学院，吉林 长春 130012；2.吉林大学符号计算与知识工程教育部重点实验室，吉林 长春 130012；3.吉林大学化学学院，吉林 长春 130012）

1 引言

进入大数据时代后，万物互联产生了海量的数据，其中高维数据导致的维度诅咒问题非常引人注意，处理这些高维数据对现有的方法来说是一个巨大的挑战[1-2]。更进一步地，在这些高维数据中存在的多标签数据也越来越凸显其现实应用价值[3-4]。与早期的单标签数据不同，多标签数据中每个样例都可能与多个不同的标签有关联[5-7]。例如，各类音乐软件中对歌曲进行分类时，同一首歌曲可能标记不同风格的标签。如何有效地对各类多标签数据进行分类逐渐成为研究的热点[6]。然而，高维多标签数据中存在大量特征，这些特征中包含的不相关信息严重削弱了多标签学习算法的分类性能[1,8]。如何找到一个紧凑的、与标签相关的特征子集是一个棘手而紧迫的问题。特征选择算法可以从原始数据中获得一个最优特征子集，它不仅实现了特征降维，而且保留了原始数据的直观意义和物理解释[9]。因此，特征选择技术成为图像、视频、文本和基因等存在大量多标签数据的领域的热门预处理方法[10]。一般来说，多标签特征选择分为过滤式模型、包装式模型和嵌入式模型[11-13]。过滤式模型与后续学习算法无关[14]，而包装式模型依赖于学习算法。与过滤式和包装式模型不同，嵌入式模型将特征选择嵌入学习算法中。……