分类作为数据挖掘中的重要任务之一,被广泛应用于医疗诊断、文本分类、模式识别以及位置推荐等领域。许多机器学习算法都可以实现分类,例如基于实例的学习、决策树、贝叶斯网络、人工神经网络、支持向量机以及自组织映射等等。其中,基于实例的学习作为众多机器学习中最受研究者欢迎的分类算法之一,它获得好的分类结果的关键在于距离度量的选择。距离度量是通过测量两个实例在不同属性上的距离来估计两个实例之间的差异或相似性的方法。属性可以分为数值性属性和名词性属性。名词性属性的不连续性使得它们的距离不能通过直接计算属性值的差值来获得。因此,相比于数值性属性,名词性属性的距离度量问题要更加复杂和具有挑战性。研究学者们将不连续的名词性属性的相似度计算问题转换成根据先验知识统计、后验知识估计的概率之间的距离度量问题,相继提出了重叠度量、值差度量、Short-Fukunaga度量、最小风险度量、反转类指定距离度量等名词性属性距离度量范式。其中,反转类指定距离度量通过叠加每一维属性的反转类指定条件概率来获取两个实例之间的相似度,它对数据集中的缺失值和非类属性噪声具有良好的鲁棒性,因此,它被评为最佳名词性属性距离度量之一。然而,与大多数名词性属性距离度量一样,它存在属性独立性假设问题,即,属性与属性之间相互独立,不存在任何相互依赖关系。这种对属性独立性的强约束在许多现实世界的数据集中几乎不可能实现。本文以反转类指定距离度量为研究对象,以属性独立性假设为前提,从以下两个方面对其进行了改进:1)结构扩展,通过在相互独立的属性之间添加有向边来表示属性之间的相互依赖关系;2)属性加权,给不同的属性分配不同的权值,以区分它们对分类器分类结果的不同影响和贡献。在此基础上,本文提出了平均一依赖的反转类指定距离度量、信息增益率加权的反转类指定距离度量、基于差分演化属性加权的反转类指定距离度量、细粒度属性加权的反转类指定距离度量四种新的度量。本文还调查了现有的个性化位置推荐系统中的用户轨迹语义增强方法,同时,验证了新度量在用户轨迹语义增强中的实际应用价值。本文的主要研究工作和取得的成果可以概括如下:（1）通过对朴素贝叶斯分类器中的属性独立性假设以及结构扩展的贝叶斯分类器的研究,提出把属性依赖关系引入反转类指定距离度量,以放宽方法中的属性独立性假设约束。在此基础上,根据结构扩展的朴素贝叶斯分类器学到的属性依赖关系建立相应的距离度量,提出了一种平均一依赖的反转类指定距离度量。实验证明,在具有强依赖关系的数据集上,平均一依赖的反转类指定距离度量的性能要远远优于反转类指定距离度量。（2）讨论了维度灾难给距离度量带来的性能影响,通过对现有的属性加权方法的研究,提出把属性加权方法引入反转类指定距离度量,以加强与类变量相关的属性和抑制冗余属性对距离度量的影响。在此基础上,计算属性与类变量的信息增益率并把它们作为权值分配给相应的属性,提出了一种信息增益率加权的反转类指定距离度量。实验证明,信息增益率加权的反转类指定距离度量极大的改进了反转类指定距离度量的性能,同时,保持了原度量的简洁性。（3）对比了过滤式属性加权方法与包裹式属性加权方法的优缺点,通过对现有的包裹式属性加权方法的研究,提出把启发式搜索应用于属性加权的反转类指定距离度量,以找到使得属性加权的反转类指定距离度量性能更优的属性权值。在此基础上,结合差分演化算法不需要预先假设初始值以及总能够跳出局部最优而获得全局最优的特性,提出了一种基于差分演化属性加权的反转类指定距离度量。实验证明,通过全局最优的属性权值加权方法可以极大地提升反转类指定距离度量的性能。同时,在性能是第一考虑要素时,基于差分演化属性加权的反转类指定距离度量是一个可取的距离度量范式。（4）从属性加权的反转类指定距离度量改进方法的成功经验中,产生了对属性权值粒度的思考,通过对现有的细粒度属性加权方法的研究,提出把细粒度属性加权方法引入反转类指定距离度量,以加强与类变量相关的属性值和抑制冗余属性值对距离度量的影响。在此基础上,利用随机重启游走算法来优化细分后的属性权值,提出了一种细粒度属性加权的反转指定距离度量。实验证明,细粒度属性加权的反转类指定距离度量的性能要远远优于反转类指定距离度量。同时,保持了原度量的时间效率。（5）分析和调查了个性化位置推荐系统中的用户轨迹语义增强方法,探讨了平均一依赖的反转类指定距离度量、信息增益率加权的反转类指定距离度量、基于差分演化属性加权的反转类指定距离度量以及细粒度属性加权的反转类指定距离度量在用户轨迹语义增强中的应用价值。