信息技术的飞速发展带来了信息过载问题,它使用户很难从海量的数据中获取有用的信息.自动分类作为解决信息过载问题的有效手段,已经在众多领域得到广泛应用.传统的分类都假设实例只与一个标记相关,而在类似文本、图像、视频等领域中,实例通常都与多个标记相关,传统的分类算法也就不再适用,因此对多标记数据的学习成为重要的研究课题.标签推荐则随着标签网站的迅速发展成为热门的研究问题之一.本文主要研究多标记学习算法,并根据多标记学习与标签推荐的预测结果都是多个元素的特点,对多标记学习算法在标签推荐中的应用展开相关的研究.本文首先对多标记学习与标签推荐的概念进行阐述,分别总结了多标记学习与标签推荐的相关算法,并分析了各算法的优缺点.其次,提出了基于标记间关系的多标记学习算法,该算法对元级特征进行了改进,改进后的简化元级特征保留了元级特征能够表示实例与标记的关系的特点,同时减少了输入空间的维度.在此基础上,该算法提出结合简化的元级特征以及标记空间得到标记间关系矩阵的方法,预测阶段结合该矩阵与简化的元级特征得到预测结果.在多标记数据集上的实验结果表明,该算法能够有效的利用标记间的关系,且更适用于对标记间依赖关系较强的数据集进行分类.最后,根据标签推荐的特点,对多标记学习算法的部分实现进行了改进,提出了用于标签推荐的多标记学习算法.训练阶段,提出了以标签共现次数来计算标签间关系矩阵的方法.推荐阶段,提出了以标签向量来表示用户与资源的历史信息,结合该标签向量与标签间关系矩阵得到推荐的标签集合.在标签数据集上的实验结果表明,该改进算法相较于其他标签推荐算法,较好的利用了标签间关系,推荐的标签集合更准确.