9.15 标记分布学习特点

与 LDL 类似，也存在一些 SLL 或 MLL 算法为每个标记计算一个中间数值指标（例如概率、置信度、等级等） [1-3] 。LDL 主要在如下三个方面与这些学习算法有所区别。

（1）LDL 的每个训练示例直接包含了标记分布，而不是单标记或多标记集的形式。标记分布直接来源于应用本身（数据的自然组成部分）；后者的数值指标根据数据由人工生成。

（2）后者根据标记的数值指标对标记进行排序，从而决策出相关标记，所以只要标记的排序不变，那么标记对应的实际数值指标大小并不重要，因此其最终目的在于划分相关标记与无关标记。另一方面，LDL 关心的是整体标记分布，因此每个标记的描述度大小也很重要。

（3）后者的评价指标主要是常用的 SLL 指标（如精度、错误率等）与 MLL 指标（如汉明距离、覆盖范围、排位损失等）。另一方面，LDL 算法的表现应该根据预测出的标记分布与真实的标记分布之间的相似性或距离进行评价。