摘要：为解决多标签学习中数据不平衡、传统重采样过程标签样本集相互影响以及弱势类信息大量重复和强势类信息大量丢失的问题，提出多标签随机均衡采样算法。该算法在多标签的条件下提出随机均衡采样思想，充分利用强势类和弱势类信息来平衡数据冗余和损失；优化样本复制和删除策略，保证不同标签重采样过程的独立性；提出平均样本数，保持数据的原始分布。实验在三个数据集下对比了三种多标签重采样算法的性能，结果表明，0．2和0．25是所提算法的最佳重采样率，且该算法尤其适用于不平衡度较高的数据集，与其他方法相比具有最好的性能。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社