唐思均

（宜宾职业技术学院 电子信息与人工智能学院，四川 宜宾 644000）

随着信息产业、互联网技术及计算机科学技术的发展和进步，人类已经迈入大数据时代。在以大数据为主要驱动力的社会经济发展模式下，除数据总量之外，数据结构也是影响数据认知和数据应用的重要因素之一［1-2］。当前，伴随着大数据总量的井喷，大数据集不平衡问题日益凸显出来［3-4］。在不平衡大数据集中，某个特定的单一类别数据类型占据绝对统治地位，这导致总体数据类别与结构分布的不平衡［5］，少数类别数据更不容易被识别和利用，进而降低了大数据集整体分类的精度及应用的可靠性［6］。数据集的非均衡性主要表现为大数据集中存在的数据类别不均衡、各类样本在数据集中的分布不均衡及个别样本数据的交叉与重叠［7-8］。在海量数据规模条件下，少数类别数据中通常也包含着大量关键信息，例如，在医学研究领域中，少数患者的病例样本对于核心医疗技术的突破具有重要的意义；在网络安全防范中，对于个别恶意代码的检测与识别，是互联网入侵检测防范的关键。

鉴于大数据集在总量和结构上的特点，利用机器学习的方法［9］和人工智能方法［10］，进行大数据分类是必然的选择。近年来，以人工神经网络方法、朴素贝叶斯方法、遗传算法、粒子群算法和智能SVM 算法等为代表的机器学习方法，在大数据分类中得到了广泛的应用，也获得了良好的效果。但……