多标签分类相比传统分类具有更一般化的形式,在文本标注、图像识别、生物功能预测等多个方面有广泛的应用。然而多标签分类由于处理的问题更加复杂,因此面临着分类算法复杂度高、样本数据维度高、类别不平衡等问题。本文以充分利用标签相关性、对标签空间进行降维为突破口,来提升多标签分类算法的性能,主要研究内容如下:1.针对多标签分类算法不能充分利用标签相关性的问题,通过建立标签的正、负相关性矩阵来挖掘标签间不同的相关关系,提出一种基于引力模型的多标签分类算法。首先,根据每个样本的近邻集合中所有近邻样本的标签分布情况,分别求取每个训练样本正、负相关系数来获取标签间的相关性;然后,为每个训练样本的近邻集合计算其近邻密度和近邻权重,作为引力模型中引力计算的参数;最后以判断数据粒子间的引力大小的方式构建多标签分类函数。实验结果表明,本文所提算法能够充分利用标签间不同的相关性,有效提升算法性能,在汉明损失等指标上平均提升了5.66%。2.针对多标签数据的类别不平衡及分类算法处理带有大规模标签的数据分类效果不佳的问题,提出一种基于均衡局部线性嵌入的多标签分类算法。首先,提出一种度量类别不平衡的指标,并应用于数据的分簇中,来降低类别不平衡对分类结果的影响。然后采用改进的局部线性嵌入对多标签数据的标签部分进行降维处理,避免高维标签带来的极高复杂度。最后通过在低维空间上用较为简单分类器,完成数据的分类。实验结果表明,本文所提算法能够有效压缩标签空间,提升分类效率,且在带有大规模标签的数据上获得较好的分类结果,在汉明损失等指标上平均提升了8.06%。