偏标记学习是一类重要的弱监督学习框架,在该框架下标记信息不再具有单一性和明确性:一个示例对应于一个候选标记集合,而候选标记集合中仅有一个标记为其真实标记。由于训练数据的真实标记不可直接获取,常见的一些监督学习技术无法直接用于求解偏标记学习问题。一般而言,损失函数设计体现了算法对学习问题性质的描述。现有偏标记学习算法采用的损失主要存在两个方面的问题。一方面,现有偏标记损失函数设计仅仅关注示例与标记之间的映射关系,从而忽略了输入空间中示例之间的相关性。另一方面,现有偏标记损失函数设计赋予各候选标记相同的置信度,从而忽略了真实标记与伪标记模型输出重要性不同的性质。针对以上两方面问题,本文对偏标记损失函数设计进行了研究,主要围绕如下两个方面展开:机器学习算法通常假设样本之间满足一致性性质,即在特征空间中相似的示例在标记空间上也具有一定的相似性。基于此,我们提出基于一致性假设的偏标记学习算法COPAL。该算法在对候选标记集合进行消歧的过程中,其损失函数不仅考虑了在候选标记集合上的输出,同时考察了近邻示例输出的相似度。实验结果表明,在偏标记损失函数中引入一致性假设考察示例相似度,可以更好地实现训练样本的候选标记消歧。在偏标记学习中,真实标记上的模型输出往往被伪标记上的模型输出所湮没。因此,需要在损失函数设计过程中考虑不同标记上模型输出的置信度。基于此,我们提出基于标记置信度的偏标记学习算法CORD。该算法在对候选标记集合的消歧过程中,其损失函数综合了候选标记的模型输出及其置信度,通过迭代优化的方式估计训练样本的真实标记并更新候选标记置信度。实验结果表明,在偏标记损失函数中引入置信度,可以更好地实现训练样本的候选标记消歧。本文一共分为五章,第一章介绍偏标记学习算法研究背景、现状以及有待研究的问题。第二章简述目前已有的偏标记学习算法。第三章介绍基于一致性假设的偏标记损失函数。第四章介绍基于置信度的偏标记损失函数。第五章对本文工作进行总结。