2020年，多标签学习（multi-label）有了哪些新的进展？
1. 深度学习与多标签学习的深度融合：
2020年，基于深度学习的多标签学习方法依然是研究的主流。但与以往不同的是，研究的重点开始从单纯的“将标签预测问题转化为多个二分类问题”转向更精细化的建模。
细粒度标签关联建模： 很多研究开始关注不同标签之间的内在联系，并试图将其融入到深度模型的设计中。例如，一些工作提出了图神经网络（GNN）来显式地建模标签之间的依赖关系。标签可以看作图的节点，标签之间的共现或语义关联可以看作边的权重。通过GNN，模型能够捕捉到更复杂的标签组合模式，从而提升预测精度。
注意力机制的创新应用： 注意力机制在图像、文本等领域的成功被广泛借鉴到多标签学习中。2020年，研究者们探索了更多样化的注意力机制，例如：
标签注意力（Label Attention）： 使得模型能够根据输入实例的特点，动态地关注不同的标签。对于一个图像，有些标签（如“猫”）可能更显著，模型会赋予更高的权重。
实例标签交互注意力（InstanceLabel Interaction Attention）： 这种机制进一步深化了模型对输入实例和标签之间关系的理解，通过多轮的交互计算，模型可以更精确地判断哪些实例的哪些特征与特定标签最相关。
Transformer在多标签学习中的探索： 尽管Transformer最初在自然语言处理领域大放异彩，但在2020年，其强大的序列建模能力也开始被应用于多标签图像识别、视频分析等任务。通过将图像或视频分解为一系列“patch”或“frame”，然后将它们视为序列输入到Transformer中，模型能够捕捉到长距离依赖和全局上下文信息，这对理解复杂的多标签场景非常有益。
2. 处理大规模、高维度多标签数据的挑战：
随着数据规模的爆炸式增长，如何高效、准确地处理大规模、高维度（特征维度高，标签数量也可能非常多）的多标签数据成为关键问题。
标签嵌入与降维： 对于标签数量过多的情况，直接预测每个标签会带来巨大的计算开销和稀疏性问题。2020年，研究者们继续探索标签嵌入（label embedding）技术，将高维离散的标签映射到低维连续的向量空间。这些嵌入可以捕捉标签之间的语义相似性，使得模型能够学习到标签的潜在表示，进而缓解维度灾难。
二阶段学习策略的优化： 一些方法采用“先编码，后解码”的二阶段学习策略。第一阶段学习输入数据的有效表示，第二阶段基于这些表示进行多标签预测。2020年的工作重点在于优化这两个阶段，例如，改进编码器以更好地捕捉多模态信息（如图文结合），以及改进解码器以更灵活地处理标签间的相关性。
近似最近邻搜索（ANN）在多标签检索中的应用： 在大规模多标签检索任务中，如何快速找到与查询最匹配的实例是一个挑战。ANN技术，如FLANN、Faiss等，在2020年被更深入地应用于构建高效的多标签检索系统，通过近似搜索来加速匹配过程。
3. 提高模型的鲁棒性与泛化能力：
在实际应用中，多标签模型往往面临数据噪声、分布偏移以及标签不平衡等问题。2020年的研究也着重于提升模型的鲁棒性和泛化性。
对抗性训练与数据增强： 对抗性训练（adversarial training）被用来增强模型对输入的微小扰动的鲁棒性。同时，新的数据增强技术被提出，用于生成更多样化的训练样本，从而提高模型在未见过数据上的表现。例如，针对多标签图像，可能会生成带有不同物体组合或不同背景的图像。
不平衡数据的处理： 多标签数据中，某些标签可能非常常见，而另一些标签则非常罕见，导致严重的类别不平衡。2020年，研究者们提出了一些新的不平衡学习策略，例如：
重采样与重加权： 通过对少见标签的样本进行过采样或提高其在损失函数中的权重，来缓解不平衡问题。
基于生成模型的数据增强： 利用GAN等生成模型生成罕见标签对应的样本，以扩充训练集。
多任务学习框架下的不平衡处理： 在多任务学习的框架下，通过设计特殊的损失函数或网络结构，使得模型能够同时学习到全局信息和局部（标签特定）的表示，从而更好地处理不平衡。
零样本（Zeroshot）和少样本（Fewshot）多标签学习： 随着模型泛化能力的要求越来越高，如何在仅见过少量样本或完全未见过某些标签的情况下进行预测，也成为2020年的一个研究热点。研究者们探索利用标签的语义信息（如文本描述）来桥接已知与未知标签之间的差距，从而实现零样本或少样本多标签预测。
4. 可解释性与公平性：
模型的可解释性和公平性是近年来AI领域的重要议题，多标签学习也不例外。
可视化与归因分析： 研究者们开发了新的可视化工具和归因方法，来理解模型为何会为某个实例预测特定的标签。例如，通过可视化模型在不同标签上的激活区域，或者计算每个输入特征对某个标签预测的贡献度。
公平性约束： 在某些应用场景下，需要确保模型在不同群体（如不同种族、性别）上具有公平的预测表现。2020年，有研究开始探索如何在多标签学习中引入公平性约束，例如，确保模型对于不同群体实例的标签预测准确率差异不大于某个阈值。
5. 应用领域的拓展与深化：
2020年，多标签学习在更多应用领域得到了深入探索和拓展，展现了其强大的实用价值。
多媒体内容理解：
图像/视频标签生成： 自动为图像和视频添加多个描述性标签，如“夕阳”、“海滩”、“人物”、“舞蹈”等，极大地提高了信息检索的效率。
视觉问答（VQA）中的多标签输出： 在一些VQA任务中，可能需要模型输出多个答案，而非单一答案，这就需要多标签学习的能力。
生物信息学：
基因功能预测： 一个基因可能具有多种生物学功能，多标签学习可以用于同时预测基因的多种功能。
蛋白质结构预测： 蛋白质的结构与功能紧密相关，可以尝试使用多标签学习来预测蛋白质的多种可能结构特征。
自然语言处理：
文本分类： 一篇文章可能涉及多个主题，如“科技”、“经济”、“国内新闻”，多标签文本分类能够更精细地刻画文章内容。
命名实体识别（NER）的变种： 有些NER任务需要识别文本中出现的多种类型的实体，并为每个实体分配多个属性。
推荐系统：
多兴趣推荐： 用户可能同时对多种类型的商品或内容感兴趣，多标签学习可以用于建模用户的多重偏好，从而提供更精准的个性化推荐。
总而言之，2020年在多标签学习领域，研究者们在深度模型设计、大规模数据处理、鲁棒性与泛化能力提升、可解释性与公平性等方面都取得了实质性的进展。尤其是深度学习与多标签学习的进一步融合，以及对更复杂数据特性的关注，预示着多标签学习在未来将会有更广泛的应用前景。这些进展不仅提升了模型的性能，也为解决现实世界中更多复杂的分类和标注问题提供了更有力的工具。
网友意见
强答一波，接触多标签图像分类研究的时间并不算太久，我主要介绍一下我对于发表在CVPR2019和ICCV2019上的两篇论文的核心思想的见解，以及我个人对于这个领域的理解。这两篇论文涉及到图神经网络家族中图卷积网络和门控图神经网络，以及Attention机制，双线性池化等技术，在本回答中不会涉及到这些技术的细节，仅仅是为了说明最直观的思路，需要了解这两种网络细节的朋友请参考其他文献。
背景介绍
背景1:
经过几年来的发展，多标签图像分类问题研究方向主要集中于：如何利用标签之间的复杂关系来提升分类的准确度。举个栗子说明一下，比如在一张图片中，我们已经正确分类出某些食物对象，由于食物需要容器存放，需要被人食用，那么这张图片中存在盘子，碗筷等餐具对象的可能性应该也很大。这就展现出了利用了标签之间的关系进行分类的过程。
背景2:
得益于图神经网络（GNN）强大的关系建模能力，图神经网络在近两年大火，在很多应用上都取得了SOTA的效果。
核心思想
标签之间的关系是复杂多样的，比如食物与餐盘，它们之间的关系是食物放在餐盘中，再比如人和背包，它们之间的关系是人背着背包，除此之外，其他的标签之间还存在各种各样的关系，这些关系都可以作为我们的分类依据。然而，对于这些复杂关系，我们应该如何利用起来呢？
这时，图神经网络（GNN）出现了，图神经网络可以依据图中节点（node）本身的特征与图的结构（节点之间的连接关系，也就是边edge），为图中每一个节点生成一个新的嵌入表示（embedding），这个embedding实际上不仅蕴含了node本身的特征，同时也蕴含了node之间的相互依赖关系。
既然图神经网络这么强大，那么，我们是不是可以使用图神经网络来建模标签之间的复杂关系呢？答案当然是可以。首先，我们希望能够提取到标签之间的复杂关系，而图神经网络能够建模node之间的复杂关系，那么，我们直接把标签和图神经网络中的node对应起来，做一个"Label Graph"，基于这个“Label Graph”就可以了学习标签之间的关系了。上文提到，GNN提取node的embedding需要两部分信息：1.node本身的特征。2.图的结构。
首先对于第一点，node本身的特征，在不同任务中，node本身特征具有不同的表示，比如，对于我们的Label Graph，node即为标签，我们可以用标签的Word Embedding来作为node本身特征，也可以用其他形式的特征向量作为node本身的特征。这个因任务而异，在下文介绍论文时，我们就可以看到node特征的不同设置。
对于第二点，图的结构，我们就要好好思考一番了。而一般的GNN中，node之间的edge，通常中代表一种或者几种关系，比如社交网络图中，node为用户，而edge代表用户之间的好友关系。而我们的标签关系，是多种多样的。无法用单一的edge来表征多种关系。那怎么办呢？我们退而求其次，对这些复杂的关系做进一步的抽象，将它们都归结为一种关系，这样就可以用GNN对这种关系进行建模。对于多标签图像分类问题，我们可以观察到，对于那些具有复杂依赖关系的标签，标识同一张图片的概率比较大，换句话说，那些具有复杂的依赖关系的标签对象（例如食物和餐具），出现在同一张图片中的概率比较大，而不需要管它们到底具有什么样的关系。所以，我们把标签之间的复杂关系，都抽象为一种关系，就是“共现”（co-occurence）关系，当两个标签对象经常一同出现时，我们认为它们具有复杂的依赖关系。一般我们通过条件概率来度量共现关系，概率P(Label2 | Label1)，代表在Label1出现的条件下，Label2出现的概率，当这个概率大于一个特定的阈值时，我们认为Label1和Label2存在共现关系，而P(Label2 | Label1)一般可以通过在数据集上进行统计来做估计。
论文介绍
有了核心思想，剩下的事情，就是把思想落实到具体模型中。
首先，多标签图像分类可以算是传统图像分类问题的一个延伸，那么在这里我们首先来回顾一下传统图像分类模型的一般框架。首先，传统分类模型通常由两部分组成，分别为卷积神经网络部分（CNN）和分类器，通常，分类器为一个全联接层。CNN部分用于对图片进行特征提取，获取一个feature map，一般会对这个feature map进行Pooling，将其压缩成一个单独向量，输入给分类器，而分类器，可以看作是由各个标签的特征向量组成的，图像特征向量与每一个标签特征向量做内积，度量相似度，以获取最终的类别。
多标签图像分类模型一般为上述框架的改进或扩展。下面，我们对2019年发表的两篇论文进行分析。
ML-GCN
论文名称：Multi-Label Image Recognition with Graph Convolutional Networks
来源：CVPR 2019
可以看到，这篇论文提出的模型本质上与传统多分类模型差异并不大，规规矩矩的对图像使用CNN进行特征提取，获取feature map，然后对这个feature map进行Global Max Pooling，压缩为一个单独的向量D，但是接下来的一步，就与传统多分类模型有区别了。
传统的多分类模型中，分类器是参数就是一个矩阵W，维度为C * d，C是类别数量，d是特征向量维数，这个矩阵中的每一行，都可以看成是某一个类别的特征向量，假设图像特征向量D是维数为d的列向量，那么使用这个列向量与分类器参数矩阵的每一行做内积，就可以得到图像特征向量与每一个类别的特征向量的相似度，进而获取每一个类别的概率。
在这个过程中，我们可以发现，在前向传播中，分类器参数矩阵中的行与行之间，并无任何交互，它们是随机初始化并进行训练的，在前向传播中互不影响，换句话说，我们认为各个标签的特征向量之间相互独立，对彼此没有影响。然而，在多标签图像分类中，由于标签之间本身就有复杂的相互依赖关系，“标签的特征向量相互独立”是不成立的，既然这样，传统的分类器用在这里就不合适啦，所以，这篇论文考虑对分类器做一个改进：我们不再使用互不相关的分类器了，而是使用GNN为我们输出一个蕴含了标签之间复杂依赖关系的分类器！
该论文使用的是GNN家族中的图卷积神经网络（GCN），输出分类器参数。核心思想中曾经介绍过，GNN需要两部分内容作为输入，一部分是node本身的特征，另一部分是图结构。对于图结构，我们在核心思想中已经介绍过如何构造，这里不再赘述，而对于node本身特征，这里使用的是标签内容的GloVe词向量，词向量本身携带了一些关于标签的信息，相当于引入了先验。在此基础上，基于先验标签信息，使用GCN进行复杂依赖关系建模，输出分类器参数矩阵W。
这篇论文中还使用了一些技巧用来克服GCN容易出现的Over smoothing问题，想了解细节的朋友可以去查阅原文，在此只介绍核心创新点。
SSGRL
论文名称：Learning Semantic-Specifific Graph Representation for Multi-Label Image Recognition
来源：ICCV 2019
分析这篇论文之前，让我们先来思考这样的一个问题。传统的多分类模型中，我们都是通过Pooling操作将一个feature map压缩成一个单独的向量，这个向量表征了图像所属的类别，它将会和分类器中各个类别的特征向量进行计算相似度。但是在多标签图像分类问题中，一个图像中存在多个标签对象，这时候我们仍然使用一个单独的向量表示存在多个标签对象的图像，这合适吗？是不是有更好的方法呢？
我们都知道，CNN具有位置不变性，原始图像中，不同的标签对象分布在不同位置上，那么feature map也会保留这种特性，也就是说，不同标签对象的信息分布在feature map的不同空间位置上，既然这样，我们就可以想办法从图像的feature map中，提取不同标签对象的特征，这样的话，就可以保证在识别不同的标签时，使用的是feature map中与这个标签相关程度最高的那一部分特征，这样就避免了由Pooling操作带来的信息损失。
那么，如何从feature map中提取与标签相关的特征呢？一个很直觉的方法就是Attention，利用Attention机制可以让我们在提取不同标签的特征向量的时候，关注于feature map中的不同空间位置，进而从与这个标签强相关的空间位置中提取特征向量。
通过Attention机制从feature map中提取特征向量之后，对于每一个标签，我们都有一个从feature map抽取出来的特征向量。利用这个特征向量与分类器中的标签特征向量进行相似度度量，看起来就是一个完整的pipeline了，但是我们总感觉缺点什么呀？说好的用GNN对标签之间的复杂依赖关系进行建模的这个环节，并没有出现在这个pipeline中啊。
既然这样，那我们就把这个环节加进去，那怎么加呢？我们知道，利用Attention机制提取的与标签相关的特征向量，是从feature map中抽取出来的，feature map则是由CNN对原始图像进行特征提取得到的，CNN从图像中提取feature map的过程中，并未对不同标签对象之间的复杂依赖关系进行建模，它只是单纯的从原始图像的像素信息中，提取标签对象的特征，换句话说，这个特征主要反映了标签对象在原始图像上的像素信息，却不能反映它们之间的关系。
那我们干脆对这些只能够反映图像像素信息的特征向量再进行一次深度加工，让它蕴含标签对象之间的复杂依赖关系，然后再输入给分类器，不就OK了？这里的深度加工所要达到的目的就是让特征向量蕴含标签对象之间的复杂依赖关系，那么使用GNN不就是正好能够达到这个目的吗？
至此，整个pipeline就完整了。它的过程就是：CNN提取feature map -> 利用Attention机制从feature map中提取与标签相关的特征向量（仅反应像素信息） -> 使用GNN对像素特征向量进行深度加工，使其蕴含标签对象之间的复杂依赖关系 -> 输入分类器进行分类。
那么SSGRL恰好就是遵循这个pipeline设计的，整体架构如下：
可以看到，模型本身仍然是基于传统多分类模型进行改进得到的。从总体上来说，这个模型相当于在传统的多分类模型中的两大部分之间，也就是CNN与分类器之间，增加了Attention计算和门控图神经网络（GGNN）。
首先，CNN从图像中提取feature map，紧接着使用Attention机制获取与标签相关的特征向量，Attention机制使用标签内容的GloVe词向量作为query，一定程度上引入了对于标签对象的先验知识，Attention分数的计算使用的是双线性池化，具体细节请朋友们参考原文。获取标签相关的特征向量后，输入给GGNN进行标签对象复杂依赖关系的建模，最终输出给分类器进行进行预测。
相比于ML-GCN直接对分类器下手，SSGRL通过从图像中对不同标签对象提取不同特征向量，进而带动了分类器特征向量朝着具有区分度的方向学习，有一种殊途同归的感觉。
反思总结
使用GNN建模标签之间的复杂依赖关系真的合理吗？使用“共现”关系抽象所有复杂依赖关系真的合适吗？使用这种方式究竟能够带来多大的性能提升？我们将在这一部分讨论。
未完待更。
类似的话题
-
2020年，多标签学习（Multilabel Learning）领域确实涌现了不少值得关注的进展。这一年，研究者们在理论、方法和应用等多个层面不断探索，尤其是在应对大规模、高维度、不平衡数据以及提高模型泛化性和可解释性等方面取得了显著成效。下面我将从几个关键方向，尽量详细地介绍一下2020年的主要发............. -
2020年12月31日，中国科学院文献情报中心（简称“中科院文献中心”）发布的《国际期刊预警名单（试行）》是中国学术界对国际学术出版领域进行规范管理的重要举措。这一文件旨在通过科学评估机制识别和预警可能存在质量问题或不当行为的国际期刊，以维护科研生态的健康发展。以下从多个维度对该政策进行详细分析： .............
-
如果李云龙被赋予一支2020年满配的中国人民解放军合成旅（具备现代信息化作战能力），并拥有无限后勤支持与完全作战自主权，结合其个人性格和战术风格，可能会出现以下多维度的战争场景： 一、作战体系重构：传统战术与现代科技的融合1. "穷鬼战术"的现代化升级 李云龙的“打土豪分田地”式灵活机动战.............
-
如果唐纳德·特朗普在2020年大选中未能连任，其处境将面临多重挑战和不确定性。尽管他最终因选举争议被广泛认为是败选（拜登当选），但若假设一种极端情景——即他不仅输掉选举且未成功推翻结果，他的处境可能涉及法律、政治、经济和个人声誉等多方面的复杂问题。以下是详细的分析： 1. 法律风险的全面爆发特朗普在.............
-
如果我在2020年实现了财富自由，我会以一种既务实又充满探索精神的方式重新定义生活。以下是我可能选择的具体生活方式： 1. 财务结构：安全感与灵活性并重 被动收入占比：确保每月被动收入（如股息、租金、版权等）覆盖家庭基本开支的200%300%，这样即使有突发支出也不会焦虑。例如，若年开销为50万，我.............
-
2020年美国总统大选是美国历史上备受关注的一次选举，最终民主党候选人乔·拜登以306张选举人票战胜时任总统、共和党候选人唐纳德·特朗普（232张），成为第46任美国总统。这次选举不仅涉及美国国内政治格局的深刻变化，还与全球政治经济形势紧密相关。以下从多个角度详细分析这一事件的意义和影响： 一、选举.............
-
2020年美国总统大选终场辩论（即第三场）于10月22日举行，这是特朗普和拜登在总统竞选中最后一次直接交锋。这场辩论被广泛视为两人的“终极对决”，因其涉及关键议题（如新冠疫情、经济复苏、种族问题等），且对选民的最终投票意向具有重要影响。以下从多个维度详细分析两位候选人的表现： 一、辩论背景与焦点1..............
-
民政部公布的2021年全国婚姻登记数据显示，全年共有213.9万对夫妻办理离婚手续，较2020年的373.1万对下降了约40%。这一数据的变化背后反映了中国社会在婚姻家庭观念、经济环境、政策调整等多重因素的综合影响。以下从多个维度详细分析这一现象： 一、数据变化的核心原因 1. 疫情特殊时期的阶段性.............
-
2020年东京奥运会男子跳高比赛中，意大利选手詹马尔科·坦贝里（Gianmarco Tamberi）和卡塔尔选手穆塔兹·伊萨·巴尔希姆（Mutaz Essa Barshim）分享了金牌，这确实是奥运会历史上非常令人难忘的一刻，而且这样的情况并非没有先例，虽然在跳高项目上比较少见，但在其他项目上也发生.............
-
2020年我国出生率跌破1%，创1978年以来新低，这一现象背后蕴含着深刻的社会经济和人口学意义，对我国的未来发展将产生广泛而深远的影响。一、 2020年我国出生率跌破1%的数字意味着什么？首先，我们需要明确出生率的定义。出生率通常是指一年内每千人口的活产数，以千分比（‰）表示。然而，题目中提到的“.............
-
美国 2020 年新生儿数量下降至 41 年来的最低点，这是一个值得关注的社会现象，其背后可能有多重原因，并且可能对美国社会产生深远的影响。我们将从可能原因和潜在影响两个方面进行详细分析。 一、美国 2020 年新生儿数量创 41 年新低：可能原因分析2020 年的新生儿数量下降，并非单一事件或原因.............
-
国家统计局发布2020年人口数据显示，我国人口在2020年继续保持增长，但增长速度放缓。这一消息既在意料之中，也引发了广泛的关注和讨论。要全面理解这一信息，我们需要从多个角度进行解读，并关注其中隐藏的更深层次含义。1. 对“人口继续保持增长”这一表述的解读： 增长是相对的： 尽管人口数量在增加，.............
-
对于“2020年美团佣金收入达全国餐饮总税收的1.8倍”这一说法，我们需要进行一些关键的澄清和分析，因为这个表述很可能存在误解或者不准确的计算方式。首先，我们没有公开的官方数据能够直接支持“2020年美团佣金收入达全国餐饮总税收的1.8倍”这个结论。 这个数字非常惊人，如果属实，将引发巨大的讨论。要.............
-
2020年中国多地出生人口大幅减少的现象，确实是一个值得高度关注的社会问题，它直接关系到国家的人口结构、经济发展和社会可持续性。为了更全面地理解和探讨这个问题，我们可以从以下几个方面深入分析： 2020年多地出生人口大幅减少，具体哪些数据值得关注？要评估出生人口减少的严重程度，我们需要关注一系列关键.............
-
2020年中国31个省份的GDP数据出炉，这不仅是一份经济成绩单，更是一幅折射出中国经济结构性变化、发展动力切换、区域协调性以及未来潜在趋势的复杂画卷。广东、江苏、山东稳居前三，西藏增速领跑，这些现象背后释放了多重重要信号，值得我们深入剖析。一、 头部省份的“硬实力”与韧性：广东、江苏、山东稳居前三.............
-
2020 年美国大选投票计票开始，拜登以 264:214 的选举人票领先，距离胜选所需的 270 票仅一步之遥，这一局面无疑是极其引人注目的，也引发了广泛的讨论和关注。要理解这一情况，我们需要从多个层面进行分析。一、 选举人票制度与胜选门槛：首先，需要明确的是，美国总统大选并非直接普选，而是通过“选.............
-
罗振宇2020年《时间的朋友》跨年演讲的主题“基本盘”，在当时引起了广泛的讨论和思考。要评价这个主题，我们需要从多个角度进行剖析，理解其背后的逻辑、时代背景以及可能带来的影响。一、 “基本盘”的内涵解读“基本盘”这个概念在商业和经济领域被广泛使用，通常指的是一个企业或个人最核心、最稳定、最能提供持续.............
-
2020年全美人口普查取消亚裔细分的万人签名请愿，是一个涉及种族、数据收集、政治代表性和社会正义的复杂议题。以下是对这一事件的详细评价：请愿的背景和动机： 亚裔人口的多元性： 亚裔美国人是一个极其多元化的群体，涵盖了来自东亚、东南亚和南亚等不同地区的人。每个群体都有独特的历史、语言、文化、经济状.............
-
关于北京德胜和月坛学区在2020年7月31日后购买的学区房“白买了”的说法，并且“全部调剂去渣小”，这背后涉及的是北京海淀区近年来教育改革政策的调整，尤其是“多校划片”和“就近入学”的深化。这个说法虽然可能有些夸张，但确实反映了部分家长在政策变化下面临的困境和焦虑。要详细解释这个问题，我们需要从以下.............
-
2020年的中央经济工作会议再次强调“租售同权”，这在当时的房地产和住房租赁市场引起了广泛关注。这次会议的强调，并非是首次提出，而是对过往政策的重申和深化，旨在进一步推动住房租赁市场的规范化和健康发展，解决新市民、青年人等群体的住房困难问题，促进社会公平。以下是围绕“租售同权”在2020年中央经济工.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有