众所周知,除非结构化、多模态、多关联等特性外,高维、多标记也是数据复杂性的主要表现形式。比如,一张图片可能同时包含“夕阳”、“云彩”、和“树木”等标记。一篇文档可能同时包含“非洲”、“内战”、和“石油”等标记。通常这些多标记数据还是高维的,比如基因的序列,图像的像素点,文本的特征词等。数据的高维性通常会增加数据分析算法的空间和时间复杂度,而数据的多标记性会增加模型的复杂度。发展高维多标记数据的特征选择方法不仅对数据建模、机器学习等领域具有重要理论意义,而且具有重要的潜在应用价值。粗糙集理论是一种处理不确定性信息的有效方法,它无需对数据进行先验假设,利用信息粒构造概念近似算子,并在设计的准则下对数据进行约简,然后建立基于规则或其他形式的分类器,已在许多数据分析与挖掘领域中取得广泛应用。本文面向多标记数据分类问题,发展模糊粗糙集和邻域粗糙集模型,应用于多标记数据的特征选择。论文的主要研究内容和结论如下:(1)基于标记相关性的多标记模糊粗糙特征选择方法多标记数据的标记并非是独立的,而现有的多标记分类的粗糙特征选择方法大多都没有考虑标记间的相关性,这影响了所建模型的性能。为解决这一问题,本文提出了属性-标记矩阵的概念,该矩阵能够很好地刻画标记之间的相关性;然后从标记的角度出发,构造了面向多标记数据的模糊粗糙集模型,并设计了相应的特征选择算法。在公开的多标记数据集上验证了所提方法的有效性。(2)基于双重空间粒化的多标记邻域粗糙特征选择方法与单标记数据相比,多标记数据的标记空间粒结构可为数据分析提供更为丰富的信息,而这些信息并未被已有的研究工作所利用。为此,本文融合特征空间和标记空间两个视角,从更全面的视角考虑多标记数据的特征选择问题,基于邻域粗糙集思想,构造了基于标记空间粒的邻域粗糙集模型,设计了相应的多标记数据分类问题的特征选择算法。在公开的多标记数据集上验证了所提方法的有效性。