论文相关内容
本文中解决多标记问题的方法：
本文提出了一种支持向量机(SVM)类学习系统来处理多标签问题。这类问题通常被分解成许多两类问题，但是这样一个系统的表达能力可能很弱。我们探索一种新的直接方法。它是基于一个大间隔排名系统，与支持向量机有许多共同的属性。
Rank-SVM
学习系统由q个线性分类器组成
此算法的模型，当样本线性不可分的时候还可以用核技巧
模型的标签预测采用了基于阈值的方法，可以把预测当成回归问题，使用比如最小二乘法等方法来优化t。
总结
相关背景：多标签问题分解为二类问题解决表达能力太弱。
问题是什么：解决多标签问题。
现有解决方案：BR等多标签算法。
作者的核心思想、创新点在哪里：基于支持向量机提出的排序支持向量机来解决多标签问题。
通过什么样的实验进行验证：在酵母菌基因功能分类问题上使用了带核函数的排序的SVM和二类的SVM及boostexter算法进行了实验，证明了本文提出的模型有很好的结果。
对我的启发：如果要在多标签问题的相关研究上有所成就必须有扎实的数理基础和对新问题的敏锐嗅觉。