极限多标签分类是机器学习领域一个新兴的研究方向,它常被用于推荐系统、文本分类等实际应用场景中。这些应用通常数据体量大、对模型的训练速度要求高,因此,加快模型的训练速度成为了极限多标签分类的主要研究方向,本文也以加快模型的训练速度为主要研究内容。标签树模型因其解释性好、训练速度快,成为了极限多标签分类的主要解决方法。本文以标签树为研究对象,针对标签树难以并行化的问题,发掘结点间的数据无关性以及结点层数和训练时间的指数关系,提出了线程级别的两阶段并行方法,对同层结点的分裂过程以及单个结点的平衡k均值算法进行并行,将训练时间从27小时缩短至1小时。同时,该方法可在单机上运行,最小化硬件开销。在极限多标签分类中,大量的训练数据需要学习大量的参数,此时单机内存不足就成为了限制模型训练的一大障碍。本文首先从算法角度出发,将模型的参数矩阵分割成若干小参数矩阵。然后,使用MPI将其分发到不同节点进行参数的分布式训练,并对MPI的分发和接收过程进行优化,最大化重叠模型训练和进程间通信。实验表明,模型的预测准确率达到81.30%,与其他模型基本持平,但加速比高达23,在保持模型预测准确率的同时,大幅缩短模型的训练时间。