在很多分类场景中,已标记的负例样本难以获取甚至不能获取。因此,仅使用已标记正例样本和未标记样本训练分类器的PU学习受到了广泛的关注。目前,PU学习有一类方法使用“两阶段”式的策略训练分类器,其首先从未标记样本中抽取一部分可靠的负例样本并视为已标记负例样本集,然后使用已有的监督学习算法或半监学习算法训练分类器。“两阶段”式PU学习算法的重点在于抽取可靠的负例样本。在给出的已标记正例样本数量很少的情况下,已有的算法往往很难抽取到相对可靠的负例样本。基于图的半监督学习在给出的已标记样本较少的情况下有着相对较好的性能,将基于图的半监督学习思想与“两阶段”式PU学习方法结合在一起的基于图的PU学习在近几年被提出。目前已有的基于图的PU学习算法存在以下问题:1.目前已有的基于图的PU学习算法大多采用的是构造全连通图并基于样本之间欧式距离直接衡量相似性的方案,然而这种构图及衡量相似性的方案并不能准确地反映出所有样本之间的相似性。2.在给出的已标记正例样本很少的情况下,基于图的PU学习算法仍难以抽取到较为理想的可靠负例样本。针对以上问题,本文提出一个新的基于图PU学习算法:PU-LP。PU-LP算法有以下两个创新点:1.PU-LP算法首次使用了在kNN图的基础上通过基于路径的相似性指标衡量样本之间的相似性的方案。2.PU-LP采取了在抽取可靠的负例样本之前,首先抽取一小部分可靠的正例样本以扩大已标记正例样本集的方法,并设计了迭代抽取可靠正例样本的方案。通过基于UCI机器学习数据集上的对比实验,本人发现PU-LP算法在给出的已标记正例样本很少的情况下,所训练出的分类器有着相对优秀的性能。且通过参数实验验证了本文所提的相似度计算方案和迭代抽取方案具有良好的性能。