本文的主要目的是提出一种高效，新颖的基于马尔可夫链的多实例多标签（Markov-Miml）学习算法，以评估与多个实例的对象相关的一组标签的重要性。 该算法计算标签的等级以指示一组标签对对象的重要性。 我们的方法是利用实例和对象标签之间的关系。 对象的类标签的等级取决于（i）该对象的实例袋与其他对象的实例袋之间的亲和度度量，以及（ii）相似对象的类标签的等级。 一个对象，其中包含一袋实例，这些实例与具有特定等级标签的高等级的其他对象的实例袋高度相似，该对象将获得该等级标签的高等级。 对基准数据的实