1、分類是指通過對已知類別的樣本集進行學習，來預測未知類別樣本的過程。多標簽分類允許一個樣本同時擁有多個標簽，并且標簽之間可能存在一定的關聯性。由于在現實中的應用廣泛，該問題得到了越來越多的關注，現有的處理多標簽問題的方法主要有基于問題轉換的方法及基于算法擴展的方法。
　　目前，將分解策略與支持向量機相結合的算法已經成為了處理多標簽問題的有效方法之一。基于“一對一”分解策略的多標簽分類算法能夠將q類原問題分解成q(q-1)/2的子問題

2、，通過集成所有子問題的解來得到原問題的解，優(yōu)點在于能夠簡化問題的求解過程，并且弱化樣本的不平衡性問題，但也伴隨著新的問題，包括三類問題及閾值問題等。對于分解后可能出現的三類問題，本文采用了順序回歸的方法，將混合類看作新的類別，尋找兩個平行的分類超平面將三種類別的樣本劃分開來，實現了三類支持向量機的多標簽分類算法(OR-SVM)。而關于相關標簽的選取問題，在本文提出的算法中，采用了離散貝葉斯方法來判別相關標簽。
　　在實驗部分，本文

3、選取Yeast等10個基準數據集用于算法性能的比較，并選取了漢明損失、準確率、精度、召回率、F1值、排序損失、1錯誤率、覆蓋率、平均精度共9個準則用于對算法性能的評估。在算法的參數調諧過程中，本文采用了三折疊的交叉驗證方法，并根據訓練集上排序損失及漢明損失的平均值進行最優(yōu)參數的選取，然后在測試集上計算算法的9個性能指標值。通過與現有的多標簽分類算法OVR-SVM等進行比較，使用排序的方法統(tǒng)計結果，并通過Friedman檢驗深入分析排序結