韩素青，成慧雯，王宝丽

1.太原师范学院 计算机科学与技术系，山西 晋中 030619

2.运城学院 数学与信息技术学院，山西 运城 044000

1 引言

1973 年，Duda 和Hart 基于贝叶斯公式首次提出了朴素贝叶斯分类模型（Naïve Bayes Classifiers，NBC），该模型由于实现简单，计算高效，并具有坚实的理论基础而得到广泛应用。近年来，随着数据的爆炸式增长以及流数据的不断涌现，包括朴素贝叶斯算法在内的许多分类算法的泛化性和可扩展性受到了限制。

增量式学习能够利用增量数据中的有用信息通过修正分类参数来更新模型，它有两个显著的特点：（1）无需存储历史数据；（2）能够有效利用之前的训练结果。因此，增量式学习被视为处理大规模数据和流数据的一类有效方法。

贝叶斯学习本身具有增量学习的特性，不仅易于实现增量学习的功能，而且可以有效降低学习算法的复杂性。最早提出的增量贝叶斯学习模型[1]，根据0～1 损失[2]，通过依次加入能够最小化当前分类模型分类损失的样本，以增量方式学习分类参数，并实现对样本的分类。但该算法在增量过程中，易受噪声影响。为此，一些学者对其进行了改进。丁厉华等人[3]以类支持度因子选择增量样本来对分类器进行更新，但该算法降低噪声影响的效果并不明显。罗福星等[4]提出一种加权朴素贝叶斯增量学习算法，该算法基于置信度，动态调整增量样本，具有良好的自适应能力。不过，由于该算法对部分频数较少但却具有较强分类能力的样本的偏好不足，因此可扩展性不强。……