我有一个看似深奥的机器学习问题，我不知道从哪里开始看文献。

我正在尝试训练一个二进制分类器，它接受/拒绝 N 个对象集合中的每个对象。作为输入，它给出了描述每个对象的特征向量，以及描述每个对象之间的成对关系的特征向量。成对关系的列表并不完整，但也不是很稀疏：描述了大约 1/3 的可能对。

基本事实是每个对象的接受/拒绝标签，我有一组要训练的集合。从领域知识我知道整个集合的全局属性对于确定对象的分类很重要，这就是为什么我想在分类中使用成对关系。

目前，为了对对象进行分类，我们正在使用一种贪心算法，该算法使用基于关系度量的基于规则的分数。（我们从一个我们认为非常好的对象开始，然后我们贪婪地添加其他对象，直到没有更多对象与已经接受的子集相关的总关系得分为正）所以我们知道关系度量很重要，并且将出现在测试数据中。我正在尝试通过使用机器学习方法来改进这一点。

我的第一次尝试是将我拥有的每个成对关系视为一个数据点，并将两个自描述向量连接到关系向量。然后，如果它们是接受-接受对，我将其标记为“1”，如果是接受-拒绝对，我将其标记为“-1”。然后，在测试期间，我可以将这些预测放在每个集合的一个亲和矩阵中（如果成对关系未知，则矩阵条目保留为 0）并使用谱聚类（“接受”和“拒绝”对象将具有相反的第一个特征向量中的符号）。然而，这比仅使用自我描述器进行分类表现更差。我怀疑这是因为这个训练协议存在相当大的缺陷——与我们目前使用的基于规则的分数不同，

因此，我想创建一个分类器，查看整个自我描述和成对关系的集合，并以某种方式直接使用接受/拒绝标签作为基本事实。