因为在处理有问题的标记和捕获标记之间的高阶相关性上的有效性,标记嵌入(LE)已经被成功应用在很多领域。LE会先将原始标记嵌入到一个新空间,然后再学习从特征到嵌入标记的映射。最后,LE通过解码器将预测的嵌入标记恢复到原始标记空间。LE在多标记学习(MLL)领域已经成为一种经典算法。但是,在学习嵌入标记时,大部分现有的LE算法时要么完全忽视来自特征的信息,要么直接地使用原始特征来作为指导信息。前者会损失很多特征中有利于后续学习过程的信息;而对于后者,当原始特征本身存在诸如噪声、信息冗余等问题时,直接将它们作为指导信息将对嵌入结果产生消极影响。本文提出,标记嵌入应该和特征嵌入同时进行,而且两者的嵌入过程是相互联系的、相互指导的,并且一个空间的嵌入过程由另一个已经被很好处理过的而非原始的空间来指导。基于这种思想,本文为MLL提出了一种新颖的嵌入算法——紧凑多标记学习算法(CMLL),它可以同时学得标记和特征的低维表示。具体地,CMLL最大化嵌入标记空间与嵌入特征空间之间的依赖性,同时最小化标记空间的恢复损失。相比于只专注单空间的大部分嵌入算法,实验结果显示了CMLL的优越性。本文的第二个工作是将标记嵌入应用于标记分布学习领域。标记分布学习(LDL)非常适用于一些关注整体标记分布的应用,在LDL中,每个标记对应一个实数来表示它对实例的描述度,并且所有标记的描述度满足加和为1的概率完整性约束。但业已提出的绝大部分LE方法都只关注二值标记,因此并不适用于LDL。针对LDL中标记的特殊约束,本文为LDL专为设计了一个新颖的标记嵌入算法——多尺度局部保持标记嵌入算法(MSLP)。MSLP从不同的局部粒度联合考虑了数据在标记空间以及特征空间的局部信息。同时,MSLP显示假设了从特征到嵌入标记的映射,使得在完成标记嵌入后,不再需要一个额外的从特征到嵌入标记的映射学习过程。此外,对于一些由于外在噪声而导致的违背了平滑假设的样本,MSLP也有很好的鲁棒性。实验结果显示MSLP优于现有的大部分LDL算法。