在标记分布学习中,许多现有研究主要集中于标签特定特征和标签相关性,较少关注实例之间的相关性.然而,不同的实例可能具有未知的潜在依赖关系,而实例相关性有助于更好地理解这些依赖关系.因此,本文提出了基于标签相关性和实例相关性的标记分布学习(Label Distribution Learning based on Label Correlation and Instance Correlation, LDL-LCIC)方法.该方法利用标签和实例的相关信息来学习标记分布的共同特征和标签特定特征.首先,引入了L2,1正则化和L1正则化,来学习共同特征和标签特定特征.其次,采用余弦相似度来捕捉标签相关性,并使用K近邻机制来考虑实例相关性.最后,将标签相关性、实例相关性、标签特定特征和共同特征整合到一个统一的框架中.通过在12个真实世界数据集上的实验结果,验证了本文提出方法的有效性.