模糊限制信息,又被称为不确定信息,是自然语言文本中经常出现的一种语言现象。模糊限制信息通常出现在下列的情况下：事实不能被确定,或者说话人在表达时有意的省略某些信息,使得表达的意思出现模糊不清,歧义或者误导。在自然语言处理的很多应用中,将确定信息和不确定信息区分开来,是很重要的一步工作。例如,在智能信息抽取和检索中,为了使得到的信息更加真实可靠,我们需要对信息进行过滤,选取出说话人十分肯定或者确信的信息。说话人在表达不确定时,往往会使用一些关键性的表达词,我们可以据此进行模糊限制信息的检测,将不确定信息忽略,从而得到真实有效的信息。目前,模糊限制信息检测已有的训练数据仅仅集中在少量的几个领域中,而且模糊限制的语言使用与专业领域有着密切的关联。当训练数据和测试数据保持同一数据分布的时候,传统的机器学习方法能对数据进行较好的预测,但是在训练数据和测试数据分布不一致时,效果却不尽如人意。这使得在仅仅使用现有的数据时,传统的机器学习方法很难对其他领域的模糊限制信息进行检测,而对每一个新的领域都进行大量的数据标注是一项非常昂贵的工作,这就造成了模糊限制信息的发展推广十分困难和缓慢。为了解决模糊限制信息的领域问题,我们提出了一种跨领域的学习框架,针对目标领域训练数据十分缺乏的情况,结合了迁移学习和半监督学习的优势,从源领域标注数据,目标领域标注数据和目标领域未标注数据三个方面进行样例筛选和权重调整,提高了迁移学习的效果。我们的学习框架在几个公共的数据集上的准确率都明显高于现有的迁移学习。在跨领域模糊限制信息检测中,我们采用了一种新的基于候选短语分类的检测手段。通过关键词词典匹配尽可能地找出所有候选短语,并使用结合半监督的迁移学习进行跨领域分类。实验结果表明,目标领域训练数据不足的情况下,我们的学习方法在现有的跨领域模糊限制信息检测方法上有一定的提高,减小了对标注数据的需求,增加了模糊限制信息的推广可能。