偏标记学习是一种弱监督学习框架,它试图从样本的多个候选标签中选择唯一正确的标签。在偏标记学习框架中,一个样本对应一个候选标记集合,且只有一个是真实标记,在这样的训练样本下进行学习无法直接应用传统的监督学习算法,学者们在长期的研究中发现了非消歧、平均消歧和辨识消歧三种策略来优化算法使其适应于偏标记学习框架。其中,消歧的策略被广泛认为是实现偏标记学习的有效途径,但是这类策略存在两大问题:首先,研究人员普遍采用单一的特征空间或者标记空间进行消歧,容易导致算法受到不准确先验知识的引导而陷入鞍点;其次,由于传统的损失函数无法直接应用在偏标记学习过程中,大多数现有的方法致力于设计复杂的优化过程来嵌入数据集的先验知识以指导算法进行消歧,虽然达到了较好的效果,但其计算复杂性成为扩展到大数据的瓶颈。针对现有算法的不足,本文在前者的基础上做出了一些改进工作,主要研究工作有如下两个方面:1.针对消歧过程中算法容易受到不准确先验知识的引导而陷入鞍点这一问题,提出了一种离异图消歧引导消歧的偏标记学习算法。首先,本文从基于特征空间的相似点和相似图出发,结合标记空间的先验知识,定义了离异点和离异点图的概念;然后,利用离异图和相似图的双重约束,有效结合特征空间的相似性和标记空间的差异性用于算法的消歧;最后,通过对约束优化问题进行求解,得到了该消歧算法的优化过程。在五个真实数据集上的实验表明,与其他消歧算法相比,该算法具有更好的消歧性能。2.针对现有偏标记深度学习算法不能有效考虑数据样本间关系的问题,提出了基于批量样本差异的偏标记学习算法。首先,将流形假设推广到mini-batch的数据上,在随机优化过程中引入了相似点和不相似点的概念;然后,采用对比学习形式,在深度学习框架下捕捉小批量训练样本中的相似点和不相似点关系;最后,将样本的相似性与离异关系作为辅助任务来辅助网络层学习多目标回归分类器,使得在深度学习下也能嵌入样本差异性这一先验知识进行消歧指导。在真实数据集和人工数据集上的对比实验表明,该算法能够有效利用样本差异来减小算法在学习过程过拟合不准确消歧结果的影响,提高了模型的泛化效果。