在機器學(xué)習(xí)和模式識別任務(wù)中，選擇一種合適的距離度量方法是至關(guān)重要的，度量學(xué)習(xí)主要利用判別性信息學(xué)習(xí)一個馬氏距離或相似性度量．然而，大多數(shù)現(xiàn)有的度量學(xué)習(xí)方法都是針對數(shù)值型數(shù)據(jù)的，對于一些有結(jié)構(gòu)的數(shù)據(jù)（比如符號型數(shù)據(jù)），用傳統(tǒng)的距離度量來度量兩個對象之間的相似性是不合理的；其次，大多數(shù)度量學(xué)習(xí)方法會受到維度的困擾，高維度使得訓(xùn)練時間長。模型的可擴展性差．提出了一種基于幾何平均的混雜數(shù)據(jù)度量學(xué)習(xí)方法．采用不同的核函數(shù)將數(shù)值型數(shù)據(jù)和符號型數(shù)據(jù)分別映射到可再生核希爾伯特空間，從而避免了特征的高維度帶來的負面影響．同時。提出了一個基于幾何平均的多核度量學(xué)習(xí)模型。將混雜數(shù)據(jù)的度量學(xué)習(xí)問題轉(zhuǎn)化為求黎曼流形上兩個點的中心點問題．在UCI數(shù)據(jù)集上的實驗結(jié)果表明。針對混雜數(shù)據(jù)的多核度量學(xué)習(xí)方法與現(xiàn)有的度量學(xué)習(xí)方法相比。在準(zhǔn)確性方面展現(xiàn)出更優(yōu)異的性能．