传统监督学习模型性能的提升依赖大量标记数据,然而在许多现实任务中,数据的标记往往需要耗费标注人员大量时间和精力。因此如何利用更少的数据训练有效模型是十分重要的研究问题。主动学习是解决这一问题的有效手段,具体地,它通过迭代地从未标记数据中主动挑选最有价值的样本向专家查询标记信息,并将其加入训练集中学习,从而快速有效地提升模型性能。对于多标记学习任务来说,每个样本同时具有多个语义标记,标注代价更大,因而主动学习带来的收益也更大。在一些多标记学习任务中,标记集合可以显式地组织成树形结构,标记粒度随着层次的加深而变得更加精细,同时其信息量更大,标注难度也随之增大。以往的主动学习算法只考虑标记自身信息量,而忽略层次结构中标记间的信息量影响关系,并且通过降低标注数量来降低标注成本,造成标注数量低而实际的标注代价却没有降低的问题。本文针对层次化标记结构的多标记主动学习问题展开了研究,并考虑不同标记的标注代价差异,取得了如下成果:1.提出一种标记层次化结构下的多标记主动学习算法HALC。该算法首先提出一种新的信息量衡量方式,考虑了标记层次结构中,祖先节点和后代节点的信息量带来的潜在收益;其次,采用基于双目标优化以及基于背包问题两种不同的策略平衡标注代价和信息量的冲突问题。实验证实HALC方法能有效降低标注代价,并显著提升模型性能。2.提出一种自适应利用标记相互关系的多标记主动学习算法ALCAL。该算法不需要制定启发式的信息量衡量方式,而是通过学习标记间的相互影响关系得到新的信息量衡量。为了平衡信息量和标注代价的冲突关系,将信息量学习和主动查询策略整合到统一框架中进行优化。实验证实ALCAL有效学习层次化结构中标记间的相互关系,并降低标注代价。