论文部分内容阅读
传统的支持向量机分类模型只有在利用大量已标注数据进行训练才能获得较高精度。在实际应用中,多标签数据相对于传统单标签数据更具有价值,但多标签数据中含有大量冗余数据,获取大量多标签数据难度非常大。文章提出一种基于迁移学习的分类算法,利用目标数据域和源数据域的相关性,从源数据域中选取对分类超平面起关键作用的支持向量和目标数据域,一起训练分类模型以提高分类精度。