針對(duì)傳統(tǒng)的拉普拉斯評(píng)分特征選擇算法只適應(yīng)單標(biāo)記學(xué)習(xí)，無法直接應(yīng)用于多標(biāo)記學(xué)習(xí)的問題，提出一種應(yīng)用于多標(biāo)記任務(wù)的拉普拉斯評(píng)分特征選擇算法。首先，考慮樣本在整體標(biāo)記空間中共同關(guān)聯(lián)和共同不關(guān)聯(lián)的相關(guān)性，重新構(gòu)建樣本相似度矩陣;然后，將特征之間的相關(guān)性及冗余性判定引入拉普拉斯評(píng)分算法中，采用前向貪心搜索策略依次評(píng)價(jià)候選特征與已選特征的聯(lián)合作用能力，用于評(píng)價(jià)特征的重要性;最后，在5個(gè)不同評(píng)價(jià)指標(biāo)和6個(gè)多標(biāo)記數(shù)據(jù)集_上實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：相比基于最大依賴的多標(biāo)記維數(shù)約簡(jiǎn)方法（ MDDM）、基于貝葉斯分類器的多標(biāo)記特征選擇算法（MLNB）及基于多元互信息的多標(biāo)記分類特征選擇算法（PMU），所提算法不僅分類性能最優(yōu)，且存在顯著性優(yōu)異達(dá)65%。

　　多標(biāo)記學(xué)習(xí)是目前機(jī)器學(xué)習(xí)、模式識(shí)別和數(shù)據(jù)挖掘等領(lǐng)域的研究熱點(diǎn)之一。多標(biāo)記學(xué)習(xí)中每個(gè)樣本不僅由一 ~組特征向量描述，還可能同時(shí)有多個(gè)語(yǔ)義，將多個(gè)語(yǔ)義設(shè)計(jì)成多個(gè)標(biāo)記。例如：在圖像標(biāo)注“中， - 幅圖同時(shí)具有“沙漠”“藍(lán)天”“風(fēng)景”等幾個(gè)語(yǔ)義信息;在文本分類學(xué)習(xí)131中， -篇文檔具有“上海世博會(huì)”“經(jīng)濟(jì)”和“志愿者”等幾個(gè)主題;在音樂樂曲中，一首樂曲可能同時(shí)具有“放松”“幸福”“安靜”和“難過”等幾個(gè)情感語(yǔ)義。多標(biāo)記學(xué)習(xí)中多個(gè)語(yǔ)義標(biāo)記并不互斥，因此有別于單標(biāo)記學(xué)習(xí)中的多個(gè)類別。多標(biāo)記學(xué)習(xí)不僅需要了解利用多個(gè)標(biāo)記之間的信息，同時(shí)仍然需要解決冗余特征、維數(shù)災(zāi)難等問題。