針對(duì)傳統(tǒng)特征選擇算法無(wú)法處理流特征數(shù)據(jù)、冗余性計(jì)算復(fù)雜、對(duì)實(shí)例描述不夠準(zhǔn)確的問(wèn)題，提出了基于粗糙集的數(shù)據(jù)流多標(biāo)記分布特征選擇算法。首先，將在線(xiàn)流特征選擇框架引入多標(biāo)記學(xué)習(xí)中；其次，用粗糙集中的依賴(lài)度替代原有的條件概率，僅僅利用數(shù)據(jù)自身的信息計(jì)算，使得數(shù)據(jù)流特征選擇算法更加高效快捷；最后，由于在現(xiàn)實(shí)世界中，每個(gè)標(biāo)記對(duì)實(shí)例的描述程度并不相同，為更加準(zhǔn)確地描述實(shí)例，將傳統(tǒng)的邏輯標(biāo)記用標(biāo)記分布的形式進(jìn)行刻畫(huà)。在多組數(shù)據(jù)集上的實(shí)驗(yàn)表明，所提算法能保留與標(biāo)記空間有著較高相關(guān)性的特征，使得分類(lèi)精度相較于未進(jìn)行特征選擇的有一定程度的提高。

　　多標(biāo)記學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究熱點(diǎn)，對(duì)現(xiàn)實(shí)世界中多義性對(duì)象的研究具有重要意義。1 0，并且多標(biāo)記學(xué)習(xí)對(duì)象在日常生活中廣泛存在。在多標(biāo)記學(xué)習(xí)框架之下，數(shù)據(jù)往往面臨多標(biāo)記性和高維性等多種問(wèn)題，使得手工標(biāo)記一般費(fèi)時(shí)費(fèi)力。同時(shí)隨著數(shù)據(jù)維數(shù)的不斷增加，分類(lèi)器的分類(lèi)精度也在不斷下降，因此探究高效的分類(lèi)算法就顯得尤為重要。近年來(lái)，相關(guān)學(xué)者在此問(wèn)題上的研究已經(jīng)取得了卓越的成績(jī)，提出了多種算法‘“副。在現(xiàn)有的多標(biāo)記分類(lèi)算法中，與實(shí)例相關(guān)的標(biāo)記重要程度被視作相同，然而在現(xiàn)實(shí)世界中，不同昀標(biāo)記對(duì)于同一個(gè)實(shí)例的描程度并不都是相同的。例如在一幅自然風(fēng)景圖中，如果出現(xiàn)大量的“藍(lán)天”，那么出現(xiàn)大量“白云”的概率也就高，其他標(biāo)記的可能性也就比較低，這種現(xiàn)象被稱(chēng)為標(biāo)記的不平衡性。針對(duì)這種標(biāo)記的不平衡性，Geng等‘61提出了一種標(biāo)記分布學(xué)習(xí)（Label Distribution Learning，LDL）范式，將傳統(tǒng)的邏輯標(biāo)記用概率分布的形式來(lái)進(jìn)行描述，更加準(zhǔn)確地反映了實(shí)例的相關(guān)內(nèi)容。目前也有很多學(xué)者在標(biāo)記分布學(xué)習(xí)范式下對(duì)人年齡‘“引、人臉面部識(shí)別‘剛、文本情感分類(lèi)‘101等領(lǐng)域進(jìn)行研究。