中文摘要：

多标记数据在现实情况中普遍存在。目前多标记数据分类处理及其相关技术尚未成熟，对于影响其效率和性能的因素等的认识还不够深入。针对当前多标记数据分类（MLC）和特征选择技术存在的问题，本项目以多标记数据为研究对象，从多标记数据的特点入手，重点研究MLC问题及其特征选择算法，通过采用壳邻居/互邻居、关联挖掘、LSI语义处理、特征选择和机器学习等技术，挖掘多标记数据之间、类别标记之间及特征之间的相互关联和依赖关系，探讨它们与MLC之间的关系，明确其对MLC算法性能的影响程度，项目预期将揭示MLC分类技术特点，实现建立高效率、高性能MLC模型的目标，提出适用于不同实际问题的MLC方法。项目的研究成果对于完善多标记数据学习、特征选择、数据挖掘技术的理论研究具有重要意义，可以为多标记数据的实际应用提供切实可行的解决方案，为决策的制定、智能信息处理等提供科学依据。

结论摘要：

多标记数据学习是机器学习的研究热点之一。如何有效地处理多标记数据的高维性，构建高效、鲁棒、强泛化能力的多标记学习算法是多标记学习的瓶颈和难点。本项目以大规模高维的多标记数据为研究对象，针对已有研究中存在的多标记数据学习方法和及其特征选择等问题，研究特征选择在多标记学习领域中的关键技术，利用多标记数据中类别标记与特征之间的相互关联关系，探讨多标记数据分类学习的特点，提出适用于不同实际问题的多标记数据分类学习方法，实现建立高效率、高性能分类模型的目标，为多标记学习理论及其应用夯实基础。本项目研究取得了一定的学术成果，如发表或录用了15篇学术论文（其中9篇被SCI检索），并（协助）培养了8名研究生，申请到了3项与课题相关的基金资助。