如何解决标记多义性问题是机器学习领域的热门研究方向。目前机器学习研究领域应对标记多义性比较成熟的学习范式是多标记学习。多标记学习是对单标记学习的拓展,即允许同一个示例与多个标记关联。因此,相较单标记学习更适用于许多具有标记多义性的问题。但是,仍存在一些问题是不适合直接使用多标记学习解决的。因此,为了更好和更直接地解决这类标记多义性问题,标记分布学习被提了出来。标记分布学习是对多标记学习的进一步拓展。理论上,标记分布学习具有更多的适用场景。因此,深入研究标记分布学习技术,将有可能使更多的标记多义性问题得到更好地解决。基于这个研究目的,本文将按以下顺序对标记分布学习中的若干问题展开研究。1.同多标记学习一样,不能只使用单一的一种指标来评价一个标记分布学习算法的预测效果,需要制定一组评价指标从不同方面进行综合评价。因此,本文根据不同分布间的距离/相似度的语法和语义关系按照一定的策略选取了一组具有多样性和代表性的评价指标。从理论和实验结果上看这组指标能从不同方面正确而综合地反映一个算法的预测效果。2. 目前,用来设计标记分布学习算法的常用策略有三种。它们是问题转换策略、算法改造策略和专门化算法策略。基于这三种策略设计出的算法,其预测效果上可能存在一定的差异。分析这些差异将有助于推动标记分布学习算法设计的发展。因此,本文在大量标记分布数据集上对三种策略展开了对比研究。实验结果和理论分析表明,基于专门化算法的设计策略是一种更为有效的设计策略。3.接着,本文对这种策略展开研究。希望能够完善这种算法设计策略。本文分析了这一算法设计策略的特点,总结出了一种专门化算法设计框架。然后对这个框架中的目标函数部分进行研究,并通过实验结果和理论分析,提出了一些目标函数选取的建议。