多标签分类问题中,一个样本有多个类别标签,且标签与标签之间有一定的相关性,使得多标签分类问题难以通过简单的分类器处理。有一类算法通过对标签空间进行降维的方式,消除标签之间的相关性,从而解决多标签分类问题,这类算法称为标签降维算法(LSDR)。LSDR通常使用编码矩阵来保留标签之间的相关性,并将标签投影到彼此独立的维度较小标签空间。然后,将特征和相应的降维后的标签送入学习器进行训练。学习器对于一个新的未知样本做出的预测还需要进行解码以恢复原始标签空间,才能得到最终的预测结果。本文基于标签局部相关性,构建了两个运用于多标签分类的标签降维模型。(1)基于最小标签局部方差的显式降维模型ML-mLV。(2)基于最小标签局部距离重构的隐式降维模型ML-mDR。ML-mLV通过最大化标签全局方差,最小化标签局部方差,同时结合Hilbert-Schmidt独立性准则,融入了特征信息,求得一个正交的编码矩阵,利用编码矩阵实现标签的降维,从而形成了有编码矩阵的显式标签降维模型。实验部分,本文选取了PLST、CPLST、MLC-BMa D、Fa IE四个对比算法,与本文提出的ML-mLV算法在四个多标签数据集上进行对比实验。本文提出的ML-mLV取得了最优的实验结果。ML-mDR利用拉普拉斯特征映射的思想,最小化标签局部距离重构误差,同时最大化标签全局方差,直接求得原标签在降维后的标签空间中所对应标签,从而构建了无编码矩阵的隐式标签降维模型。实验部分,本文在六个多标签数据集上,将ML-mDR与PLST、CPLST、MLC-BMa D、Fa IE四个对比算法进行对比实验。实验结果表明,本文提出的ML-mDR具有更优的性能。