技术咨询：基于Cartesian Coordinates的N维空间标签标注方法查询

我想通过坐标实现标签标注，目前正在编程实现并查阅资料，但不清楚对应的技术名称和学习方向。核心思路如下：将标签转换至N维空间，计算该空间内的轨迹，依据轨迹方向分配带置信区间的标签。

数据集 #

basic_data = [
  {"label":"First-Person RPG", "Tags":["Open-world", "Fantasy", "Adventure", "Single-player", "Exploration", "Dragons", "Crafting", "Magic", "Story-rich", "Moddable"]},
  {"label":"Action RPG", "Tags":["Open-world", "Fantasy", "Story-rich", "Adventure", "Single-player", "Monsters", "Crafting", "Horse-riding", "Magic", "Narrative"]},
  {"label":"Adventure", "Tags":["Difficult", "Dark Fantasy", "Action", "Single-player", "Exploration", "Lore-rich", "Combat", "Permadeath", "Monsters", "Atmospheric"]},
  {"label":"Party Game", "Tags":["Multiplayer", "Social Deduction", "Indie", "Strategy", "Casual", "Space", "Deception", "Survival", "Teams", "Interactive"]}
]

预处理代码 #

mlb = MultiLabelBinarizer()

for idx, data in enumerate(basic_data):
    basic_data[idx]["tag_str"] = ",".join(data["Tags"])
    

pd_basic_data: pd.DataFrame = pd.DataFrame(basic_data)
tags: List = [str(pd_basic_data.loc[i,'tag_str']).split(',') for i in range(len(pd_basic_data))]

mlb_result = mlb.fit_transform(tags)
df_final: pd.DataFrame = pd.concat([pd_basic_data['label'],pd.DataFrame(mlb_result,columns=list(mlb.classes_))],axis=1)

核心技术名称 #

你的思路属于**多标签嵌入（Multi-label Embedding）结合轨迹分析（Trajectory Analysis）**的范畴：

• 标签转N维空间的步骤是**标签嵌入（Label Embedding）**的典型应用，你当前用的独热编码是嵌入的基础形式；
• 基于轨迹方向分配带置信区间的标签，涉及序列建模（Sequence Modeling）和概率标签预测（Probabilistic Label Prediction）。

学习路径 #

• 基础铺垫：先吃透标签嵌入的核心方法，从你已用的独热编码入手，再学习分布式嵌入（如Word2Vec、GloVe），以及针对多标签场景的专用嵌入模型（如MLBE）；
• 空间轨迹分析：掌握向量空间中的距离度量（余弦相似度、欧氏距离）、轨迹特征提取（方向、曲率）、轨迹聚类方法；
• 概率与置信区间：学习基础统计中的置信区间估计，结合分类模型（逻辑回归、随机森林）实现带置信度的标签输出，进阶可尝试贝叶斯分类器，天然支持概率置信结果；
• 实践落地：用现有数据集，将嵌入后的标签向量按序列维度构建轨迹，用线性回归拟合轨迹方向，通过拟合方差计算置信区间，完成标签分配验证。

内容的提问来源于stack exchange，提问作者Hojo.Timberwolf