针对页岩气储层数据获取困难、标签稀缺、标注成本高昂的问题，提出一种多标准主动查询的多标签学习（MAML）算法。首先，考虑样本的信息性和代表性来对样本进行初步处理；其次，加入包括属性差异性和标签丰富性的样本丰富性约束，在此基础上选择有价值的样本进行标签查询；最后，利用多标签学习算法来预测剩余样本的标签。通过11个Yahoo数据集上的实验，将MAML算法与流行的多标签学习算法和主动学习算法进行比较，验证了MAML算法的优越性。然后将实验扩展到4个真实的页岩气测井数据集。在该实验中，与多标签学习算法：基于K最近邻的多标签（ML-KNN）学习方法、多标签学习的反向传播（BP-MLL）算法、具有全局和局部标签相关性的多标签学习方法（GLOCAL）和通过查询信息性和代表性样本的主动学习（QUIRE）方法相比，MAML算法在页岩气储层综合品质预测精度均值上分别提升了45个百分点、68个百分点、68个百分点和51个百分点。实验结果充分验证了MAML算法在页岩气储层甜点预测领域的实用性和优越性。
