多标签学习旨在通过从与一组已知标签关联的训练样本中进行学习来预测未见实例的标签。 在本文中,我们建议使用分层树模型进行多标签学习,并开发用于查找树结构的ML-Tree算法。 ML-Tree将树视为数据层次结构,并在每个节点上使用针对所有SVM分类器的归纳来构造树,以将数据递归地划分为子节点。 对于每个节点,我们定义了一个预测标签向量,以表示树模型中的预测标签传输,以进行多标签预测和标签关系的自动发现。 如果两个标签作为叶子节点上的预测标签经常同时出现,则认为这些标签是相关的。 预测标签共现的数量提供了标签关系的估计。 我们研究了11种不同域的真实数据集上的ML-Tree方法,并将其与六种完善的多标签学习算法进行了比较。 这些方法的性能通过16种常用措施进行评估。 我们还进行了Friedman和Nemenyi检验,以评估绩效差异的统计显着性。 实验结果证明了该方法的有效性。 :copyright:2012 IEEE。