摘要：针对传统多标记邻域粗糙集将所有标记视为整体计算特征重要性，未能有效区分不同标记对特征选择的贡献差异并且忽视了无关标记的噪声干扰问题，提出一种特征-标记邻域协同相关的分布式多标记特征选择方法。首先，通过双向谱聚类同步挖掘标记与特征空间的内部关联：在标记空间提取出具有决策代表性的标记主簇以降低噪声干扰，同时在特征空间构建基于语义相关性的谱聚类映射，实现高相关特征的模块化聚合；其次，考虑邻域依赖度量化特征簇与标记簇关联程度，筛选出与各标记簇最相关的特征子集；最后，采用分布式框架将计算任务分散到多个节点，进一步加速了模型训练过程。在12个公开数据集上的实验结果表明，所提方法与现有多标记特征选择方法对比，包括部分多标记特征选择方法（PMLFS、）基于弱标签融合模糊区分对（WFDP）等其他方法对比，在平均精度、汉明损失、单错误率和排序损失以及覆盖度指标上均排名第一，分类性能得到提升。
