随着互联网经济的快速发展,知识共享模式已经逐渐成为了信息资源的传递方式。知识型问答社区是一种基于知识的社交平台,旨在实现信息资源的需求方和供应方之间的分享与匹配。提问者发布问题并给出标签,答问者则根据标签检索到问题并回答。二者的成功匹配依赖于平台的内容分发功能与信息检索系统,精准的标签能够提高用户体验、降低运营成本。目前,知识型社交平台都是由用户根据所提出的问题自行打标签,这种标注方式会造成标签与问题不相关或标签不够准确的问题,降低了平台内容分发效率和用户体验,并造成了一定的人工校验成本。因此有必要设计一种高效的话题标签自动标注算法,以期提高内容分发效率,降低人力成本。知识型社交平台上的标签自动标注问题本质属于多标签文本分类任务,每个问题都可能对应多个标签。多标签文本分类问题主要包括两个难点,其一是文本特征提取过程存在噪声和误差,降低分类模型性能,其二是多标签文本分类任务的标签之间存在许多复杂的语义关系,需要高效的多标签分类算法。深度学习在自动特征提取方面存在显著的优势,被广泛应用于自然语言处理领域。RAkEL是一种高阶的多标签分类算法,能够挖掘高阶的标签关联关系,但是在构建多分类器时忽略了标签组合相关性。因此,本文提出一种基于局部成对标签相关性的k标签子集算法LPCkEL,并结合深度自动编码器的文本特征提取技术实现了问题的自动标签化。LPCkEL算法通过k近邻分析方法和矩阵相似度捕捉标签的语义互斥和依赖关系,提出了改进的k标签子集生成算法和纠正机制两种优化策略,能够预测出更准确、更完整的标签集。最终,论文以知乎社交平台为例设计了一系列多标签实验,实验结果表明论文研究LPCkEL比经典多标签分类算法能够实现更好的分类效果,且两种优化策略均能提高RAkEL的分类性能。