随着数据规模的不断扩大和数据量的爆炸式增长,传统标签技术已不能满足人们现实的需求。各个领域数据表现出不同的特征,在种类上趋于多样化,在价值上趋于低密度化,在来源上趋于分散化,在处理需求上趋于实时化。在传统的单标签数据挖掘中,每个事物样本的分类只属于一个类别。事物与事物之间存在一定地关联,这种关联将原来的一种类别化分为更多的类别。随着多标签技术的发展,不同领域出现了大量表现不一致的多标签机器学习算法,针对不同的领域场景选择合适的算法是提高预测正确性的一种手段。从一阶、二阶到高阶策略多标签学习方法,每阶策略所体现的标签关联也存在极大的差异,其复杂程度呈现显著的变化。为了探讨标签之间地关联,本文选择了一种二阶多标签学习方法,即校准标签排序算法(Calibrated Label Ranking,CLR)。传统的校准标签排序算法利用成对标签关联进行转化来预测结果,该算法的校准是在二元关系算法(Binary Relevance,BR)基础上进行比较而产生结果。其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集具有一定的局限性。当数据的特征和数量不断增加时,直接使用串行方法会出现耗时太久以至于不能及时得到结果。Spark并行计算将有效地减少处理数据时间。因此,本论文提出了一种基于Spark并行计算的校准标签排序方法。主要内容如下:1、为了更好的区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步的校正,从而提高边界域部分分类的准确性。基于朴素贝叶斯校准的标签排序方法(Calibrated Lable Ranking Method Based On Naive Bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效的提升传统多标签学习方法的性能。2、Apache Spark是一种流行的用于大规模数据处理的开源平台,非常适合于迭代机器学习任务。基于朴素贝叶斯校准的标签排序方法与Spark分布式并行计算框架相结合,利用Spark的优点能有效解决了本文算法在大规模数据集上运行时间长,执行效率低的问题。