The rest of this paper is organized

The rest of this paper is organized as follows: the next section introduces formal definition of multi-
label learning and and a few but quite different methods for multi-label learning. Then the next
two sections introduce two important issues: exploiting label structure and scaling with large data;
followed by a section that describes the challenges with online multi-label classification and a few
emerging researches. Section 6 describes a few related problems that are are often reduced to a
multi-label problem to obtain access to whole set of multi-label algorithms. Section 7 introduces a
set of evaluation metrics and section 8 describes a few benchmark datasets. Finally, performance
comparison is followed by future possibilities and concluding remarks.

Kết quả (Việt) 1:

Phần còn lại của bài báo này được tổ chức như sau: phần tiếp theo giới thiệu các định nghĩa chính thức của đa -nhãn học tập và và một vài phương pháp khác nhau nhưng khá nhiều nhãn học. Sau đó tiếp theohai phần giới thiệu hai vấn đề quan trọng: khai thác cấu trúc nhãn và rộng với dữ liệu lớn;theo sau một phần mô tả những thách thức trực tuyến đa nhãn phân loại và một vàinghiên cứu mới nổi. Phần 6 mô tả một vài vấn đề liên quan mà thường được giảm đến mộtnhiều nhãn các vấn đề để có được quyền truy cập vào toàn bộ thiết lập của nhiều nhãn thuật toán. Phần 7 giới thiệu mộttập hợp các số liệu đánh giá và phần 8 mô tả một vài điểm chuẩn datasets. Cuối cùng, hiệu suấtso sánh là theo khả năng trong tương lai và kết luận nhận xét.

Kết quả (Việt) 2:

Phần còn lại của bài viết này được tổ chức như sau: phần tiếp theo giới thiệu định nghĩa chính thức của đa
học tập và nhãn và một vài phương pháp khác nhau nhưng khá cho việc học tập đa nhãn. Sau đó, tiếp theo
hai phần giới thiệu hai vấn đề quan trọng: khai thác cấu trúc nhãn và mở rộng quy mô với dữ liệu lớn;
tiếp theo là một phần mô tả những thách thức với phân loại đa nhãn trực tuyến và một vài
nghiên cứu mới nổi. Phần 6 mô tả một vài vấn đề liên quan được thường được giảm đến một
vấn đề đa nhãn để có được quyền truy cập vào toàn bộ các thuật toán đa nhãn. Phần 7 giới thiệu một
tập hợp các số liệu đánh giá và phần 8 mô tả một vài bộ dữ liệu chuẩn. Cuối cùng, hiệu suất
so sánh được theo sau bởi khả năng trong tương lai và nhận xét ​​kết luận.