چکیده: دسته‌بندی چندبرچسبی موضوع مهمی در زمینه داده‌کاوی است که در آن هر نمونه به طور همزمان با مجموعه‌ای از برچسب‌ها مرتبط است. بسیاری از کاربردهای دنیای واقعی مانند تشخیص پزشکی و دسته‌بندی متن شامل دسته‌بندی چندبرچسبی است که در آن در نظر گرفتن همبستگی برچسب برای عملکرد مناسب دسته‌بندی ضروری است. بنابراین، چگونگی یادگیری و استفاده از وابستگی‌های بین برچسب‌ها به یکی از مسائل کلیدی دسته‌بندی چندبرچسبی تبدیل شده است. به منظور بهره‌برداری از همبستگی‌ بین برچسب‌ها، در این پژوهش دو ویژگی همبستگی زمانی و همبستگی برچسب احساسات را پیشنهاد می‌کنیم که همبستگی احساسات چندگانه از دیدگاه کاربر را برای ساخت یک مدل یادگیری مؤثر در نظر می‌گیرد. برای این منظور در این پژوهش به تشخیص احساسات چندگانه در شبکه‌های اجتماعی آنلاین از دیدگاه کاربر می‌پردازیم و این مسئله را به عنوان یک مسئله دسته‌بندی چندبرچسبی تنظیم می‌کنیم. در ابتدا، دو همبستگی زمانی و همبستگی بین برچسب احساسات در سطح کاربر را از مجموعه داده GoEmotions که شامل 27 احساس و یک احساس "خنثی" و همچنین دو نسخه از آن یکی برای فضای اکمن که شامل 7 برچسب و یک احساس "خنثی" و دیگری برای فضای گروه احساسات که شامل 3 برچسب و یک احساس "خنثی" می‌باشند، استخراج می‌کنیم. سپس این ویژگی‌های مرتبط با همبستگی را به مجموعه ویژگی‌های قبلی اضافه می‌کنیم. در نهایت وظیفه یادگیری از داده‌ها را در سه مجموعه برچسب، با 28، 8 و 4 احساس، با استفاده از روش‌هایی که مسئله چندبرچسبی را به چندین مسئله دسته‌بندی تک‌برچسبی تبدیل می‌کنند مورد بررسی قرار می‌دهیم. در این پژوهش، از معیار ارزیابی Macro-F1، برای مقایسه کارایی در بین تمام مدل‌ها استفاده خواهیم کرد. در نتیجه، در میان تمام مدل‌ها، بهترین نتایج برای مدل نسخه چهار برچسبی با 08/55 = F1-score بدست آورده شد.