熊传镇，钱文彬，2，王映龙

（1.江西农业大学计算机与信息工程学院，南昌330045；2.江西农业大学软件学院，南昌330045）

引 言

在传统的监督学习框架中，训练数据中的示例是由单个标记所描述。这种监督学习被称作单标记学习。然而，在现实应用领域中，许多数据往往同时含有多个类别标记，即每个示例可能存在多个语义与之相关联。例如，一个人在某个时刻的表情可能包含多种复杂情绪（快乐、悲伤和愤怒等）；一幅美丽的风景画可能描绘了多重的景色（天空、海水和沙滩等）；一本杂志中可能包含着丰富多样的内容（时尚、运动和科技等）。由于数据的语义多义性，使得传统的单标记学习方法具有局限性。为此，多标记学习作为机器学习的重要范式［1］，它能有效处理语义丰富的多标记数据。近年来，多标记学习已经成为了文本分类［2］、图像识别［3］等多种应用领域中的研究热点。对于多标记数据而言，示例的特征往往呈现高维性特点。在多标记数据的高维特征中，可能存在某些不相关或者冗余的特征，这些特征使得模型的复杂度和计算的时间消耗显著提升，从而影响多标记学习的分类性能和泛化能力。为了有效地解决高维多标记数据存在的维度灾难问题，可在学习任务前采用特征选择方法来分析高维特征中的无关或冗余特征，可缩短学习模型的计算时间，并使模型更具有可解释性和可扩展性。在多标记分类中，特征选择已成为数据预处理的重要步骤。……