与社交图像相关联的用户生成的标签通常不准确且不完整。 因此，基于标签的应用中的基本挑战是标签相关性估计的问题，该问题涉及如何解释和量化标签相对于图像内容的相关性。 在本文中，我们从学习排名的新角度解决了关键问题，并开发了一种新的方法来促进标签相关性估计，以直接优化基于标签的图像搜索的排名性能。 监督步骤被引入到邻居投票方案中，其中标签相关性是通过累积视觉邻居的投票来估计的。 通过对邻居权重和标签相关性进行显式建模，可以有效避免使用常规方法进行启发式假设的风险。 与最先进的方法相比，在基准数据集上