基于双标记专属特征的多标记分类算法（BILAS）是一种代表性的多标记学习算法，然而其只考虑了在标记对下取值不同的样本，忽略了取值相同的样本，使得生成的专属特征不能全面准确地刻画标记信息。针对这一不足，基于标记的二阶相关性，对标记对的全部类型样本生成专属特征，提出基于标记相关性的多标记专属特征学习算法。首先，利用基于距离的原型学习方法选择所有标记对的原型，并进一步生成相应的专属特征；然后利用标记幂集的思想构造多标记分类器。在来自MULAN (a Java library for multi-label learning)的5个公开测试数据集上进行实验，与BILAS算法和基于校准标记排序的多标记分类算法（CLR）相比，所提算法在5种多标记评价指标上综合平均排名均是第一，且分别比BILAS和CLR算法提高了20.4%和37.1%，表明了所提算法具有较好的性能。