吕 佳，黎隽男

(重庆师范大学 计算机与信息科学学院，重庆 401331)(*通信作者电子邮箱lvjia@cqnu.edu.cn)

0 引言

自训练方法[1]是半监督学习[2]算法中的一种，它利用少量的有标记样本和大量的无标记样本共同去训练一个分类器，用来解决数据标注的瓶颈问题。由于它不需要特定的假设条件且简单有效，受到了不少学者青睐。

Hady等[3]提出Co-Training by Committee自训练学习框架，该方法集成多个分类器共同进行自训练学习，其中置信度为多个分类器的平均后验概率。针对选取最大后验概率时，可能出现重复的最大后验概率的问题，Wang等[4]引入了Naive Bayes(NB)[5]，最大后验概率取平均后验概率与NB后验概率之和。同时针对这个问题，Liu等[6]引入了一种基于距离的度量方式，即当平均后验概率相同的时候，离类别中心越近的样本的置信度越高，越可靠。Shi等[7]提出集成SVM(Support Machine Vector)[8]、NB和Rocchio[9]三个异构分类器自训练的方式对文本进行分类，通过按类别投票的方式选取可靠的样本。Hajmohammadi等[10]提出结合主动学习与自训练的方法去解决跨语言分类问题，该方法用自训练方法选取置信度高的样本，同时用平均余弦相似度和熵结合的方法去选取一些信息量大的样本。Leng等[11]提出结合主动学习和自训练方法去构建SVM分类器，用SVM分类器去选择类中心且标记改变率为0的样本，同时用主动学习去选择离决策边界近的样本。然而，在上述自训练方法中，如果误标记的无标记样本被作为可靠样本加入到训练集中，不仅会降低自训练方法的性能，还会造成错误累积问题，使样本原本数据空间结构发生扭曲。……