垃圾标签检测是一个二分类问题,可以使用二分类的SVM支持向量机来实现。传统SVM在处理垃圾标签检测上存在以下问题：垃圾标签的训练集规模非常庞大,而且它的数据有高维性、特征复杂等特点,使用传统的SVM直接对垃圾标签数据集进行训练学习,会耗费较长时间,学习精度也受影响。本文提出使用半定规划核对传统的SVM进行改进,主要工作如下：1、使用K-means聚类算法抽取特征向量训练SVM,是提高SVM训练效率的一种方法。垃圾标签数据具有很强的非线性,传统K-means算法的欧氏距离无法有效地处理非线性数据,抽取到的垃圾标签特征向量质量不高。SVM核函数是有较强的非线性映射能力,本文将核函数与K-means聚类算法相结合,提出新算法半定规划核K-means聚类算法,从而提高了K-means算法提取垃圾标签的能力,并通过实验验证新算法的有效性和可行性。2、不同的SVM核函数,其非线性映射特征不同。采用多种核函数组合的方法,是提高SVM分类能力的一个途径。因此本文提出使用半定规划方法来确定多种核函数的最优组合系数,构造半定规划核SVM,提出基于半定规划核的Folksonomy垃圾标签检测算法。实验证明,本文的算法在垃圾标签分类上有很好的效果,不仅提高了分类精度,还能降低训练时间。