王 进，余 薇，孙开伟，邓 欣

(重庆邮电大学 数据工程与可视计算重点实验室，重庆 400065)

多标签学习(multi-label learning, MLL)旨在为分配了多个类标签的对象构建分类模型[1].多标签学习广泛存在于现实世界的应用程序中：文本分类，一则新闻可以涵盖多个主题[2]，包括政治、经济和改革；多媒体内容注释，1个图像可以展示包括海滩和建筑在内的几个场景[3]；生物信息学，1个基因可以具有多种功能[4]，包括代谢、蛋白质合成和转录.

多标签学习算法应用已经取得了成功[1].由于每个类别的标签应该具有自己的特定特征，因此传统的方法并不是最理想的选择.例如，自动图像注释中，在区分天空和非天空图像时基于颜色的特征将是首选，在区分沙漠和非沙漠图像时基于纹理的特征将是首选，而颜色和纹理可能都是有助于区分标签空间中其他标签的首选特征.再比如，文本分类中，在区分经济和非经济文本时，与GDP、减税、股票市场等词汇相关的特征则具有相关性.由此可见，每个类别的标签均具有自己的特定特征，挖掘标签特定特征对多标签学习而言显得至关重要.处理多标签学习问题面临的核心挑战就是如何通过探索多个标签之间依赖关系来提高预测准确性，探索标签间相关性的一种直接方法是为扩展特征空间上的每个标签建立单独的分类模型，并将其他标签的预测值视为附加特征.这种策略简单直观，但它可能会因为训练集和预测集之间附加特……