区别于传统单标签学习问题,多标签学习中每个样本可同时与多个标签相关联。在多标签分类过程中,合理使用标签空间相关性可显著提升多标签分类精度。其中链式多标签算法作为一类高阶关联性算法,具备结构简单,基分类器选择灵活,有效利用标签关联性等优点,另一方面其仍存在初始标签链序列随机性较大,分类效果不稳定,无法有效应对大规模多标签数据集等缺陷。基于此,本文提出了一种基于标签空间相关性的改进分类器链算法,用于处理大规模多标签学习的特征选择和标签链序列优化。同时,结合标签空间降维与改进多标签分类器链算法的优势,本文提出了一种基于LSCC的标签空间降维算法。本文主要研究内容如下:1.链式多标签学习算法假设位于位置k的标签只和前k-1个标签相关联,实际上随机初始化的标签链一般不满足该假设。基于此,提出一种基于标签空间相关性的改进分类器链算法。首先,自定义距离公式,通过聚类完成标签空间划分;随后,将链式多标签算法的核心假设转化为标签与标签簇中心点距离的远近,从而得到每个局部标签链的近似最优顺序。在5个不同领域下的12个多标签数据集和3种不同类型基分类器设定下的实验表明,相较于现有算法LSCC在分类精度和计算复杂度这两大指标上均有较优的表现。2.为了进一步提高链式多标签算法对大规模多标签数据集的适应能力,在基于聚类的标签空间划分基础上,本文提出一种基于局部标签类簇互信息的特征选择。利用单个特征与局部类簇所有标签的关联性之和来刻画特征重要性,并针对每个标签簇选取top-k个特征作为其差异性局部特征子群。其有效降低了算法时间复杂度并在一定程度上避免了无关特征干扰。3.提出了一种基于LSCC的标签空间降维算法,其分别从标签编码,模型训练,隐标签解码三个部分优化了标签空间降维算法的流程。其有效减少了多标签分类任务耗时,提升了改进分类器链算法对大规模多标签数据集的适应能力,在确保分类精度的前提下,极大的提升了算法的运行效率。同时,本文基于Spark并行计算框架实现了该算法,其充分利用了内存计算的优势,具有较大的现实意义。