在传统机器学习研究中,学习对象仅由一个类别标记来描述其语义信息。在许多实际应用中,学习对象往往与多个类别标记相关联。多标记学习是解决该类任务的一种学习框架,并已成功地应用到了许多实际任务中。在多标记学习的实际任务中,精确标注对象的多个标记往往代价高昂且异常困难。更高效的标注方式是标注者仅粗略地赋予每个对象一个候选标记集合。该候选集包含数目未知的相关标记,并且往往掺杂着一些不相关的标记。这种方式降低了样本的标注代价,但同时也导致基于这些不精确标注的学习任务变得更加困难。因此,如何有效地对候选标记集合进行消歧,即,识别出候选标记中的相关标记,是解决该问题的核心研究内容。本文对此进行研究,主要工作包括:1.提出一个新的学习框架以形式化上述学习问题,并命名为偏多标记学习。在偏多标记学习中,学习对象与一个候选标记集合相关联,该集合同时包含多个相关标记和其它噪声标记。为了解决该问题,进一步提出偏多标记学习方法PML-lc和PML-fp为候选集中的每个标记维护一个置信度值,以估计该标记是其对应示例的相关标记的可能性。一方面,通过最小化以置信度加权的排序损失来优化标记的相关程度排序;另一方面,通过利用包括特征和目标空间在内的结构信息来优化标记的置信度值。实验结果表明PML-lc和PML-fp可以有效地解决偏多标记学习问题。2.提出一种通过对特征表示与噪声标记之间关系进行建模以检测候选集中噪声标记的偏多标记学习方法PML-NI。在偏多标记学习框架下,涌现出了许多基于偏标注样本的学习方法。然而,现有的偏多标记学习方法往往假设噪声标记是随机产生的,并根据该假设恢复候选集中真实标记信息。而在实际应用中,噪声标记往往是由于样本中的某些含有歧义的内容导致标注者误标产生的。本文提出的PML-NI方法,通过对特征表示与噪声标记进行建模,同时进行多标记的分类与对噪声标记的检测。实验结果显示PML-NI方法比假设噪声标记随机产生的方法有更强的泛化性能。3.提出一种基于少量偏标注样本以及大量未标注样本的偏多标记学习方法SSPML。以往偏多标记学习方法往往假设所有样本都是已标注的。然而,在许多现实场景中,通常仅有少量偏标注样本,还有大量的未标注样本。本文将上述问题形式化为一个新的学习框架,并命名为半监督偏多标记学习。在该框架下,本文提出的半监督偏多标记学习方法SSPML,假设样本的真实标记是其特征向量的低维嵌入表示,并对每个样本引入标记隐变量。一方面,通过保持样本相似度在特征空间和标记空间一致以复原标记隐变量;另一方面,通过标记隐变量的反馈信息更新样本相似度。实验结果表明SSPML能有效地解决半监督偏多标记学习问题。