1、在多標簽分類問題中，每個樣本同時對應多個標簽構成的標簽集合。多標簽分類問題與傳統(tǒng)的分類問題最主要的不同在于傳統(tǒng)的分類是假設標簽之間兩兩互斥，而多標簽分類中標簽之間是相關的。很顯然，在實際應用中，多標簽分類學習更具有一般性。
　　由于多標簽分類中標簽之間是相關的，那么有效地利用標簽相關關系能夠提高分類性能。在目前大部分利用標簽相關性的方法中，常把標簽作為樹型或者圖結構來挖掘標簽共存相關性。然而在很多實際問題中，標簽之間并沒有如此結構

2、。另外這些方法不能準確地描述數(shù)據(jù)集中某些標簽組合隱含的互不共存的關系。
　　本文提出了一種新的基于標簽相關性的多標簽研究方法，基本思想是基于歐式距離度量方法找到標簽之間的距離信息，用標簽之間的距離來描述標簽集合中某些隱含的標簽互不共存關系。并且在現(xiàn)有的多標簽算法中加入這種標簽互斥關系的思想，得到多個較好性能的改進算法。本文主要研究內(nèi)容如下:
　　1.設計了改進的RAKEL(RAndomk-labELsets)算法。在RAKE

3、L算法中，隨機性地從標簽集合中選擇標簽構造新的標簽子集學習相應的單標簽分類器，這種方法并沒有充分利用標簽之間的關系。本文針對這一缺點，在構造標簽子集時，選擇互不共存的標簽組合來構造相應的訓練集。實驗表明，改進后的算法分類性能提升。
　　2.設計了改進的CC(Classifier Chains)算法:在CC算法中，分類器中鏈式標簽的順序是隨機的，也沒有充分地利用標簽之間的關系?；诖耍疚奶岢鲈跇嫿撕烅樞虻倪^程中，引入標簽的互斥關