传统的多标签分类算法是以二值标签预测为基础的，而二值标签由于仅能指示数据是否具有相关类别，所含语义信息较少，无法充分表示标签语义信息。为充分挖掘标签空间的语义信息，提出了一种基于非负矩阵分解和稀疏表示的多标签分类算法（MLNS）。该算法结合非负矩阵分解与稀疏表示技术，将数据的二值标签转化为实值标签，从而丰富标签语义信息并提升分类效果。首先，对标签空间进行非负矩阵分解以获得标签潜在语义空间，并将标签潜在语义空间与原始特征空间结合以形成新的特征空间；然后，对此特征空间进行稀疏编码来获得样本间的全局相似关系；最后，利用该相似关系重构二值标签向量，从而实现二值标签与实值标签的转化。在5个标准多标签数据集和5个评价指标上将所提算法与MLBGM、ML2、LIFT和MLRWKNN等算法进行对比。实验结果表明，所提MLNS在多标签分类中优于对比的多标签分类算法，在50%的案例中排名第一，在76%的案例中排名前二，在全部的案例中排名前三。
