1、在機(jī)器學(xué)習(xí)領(lǐng)域中，監(jiān)督學(xué)習(xí)只考慮有標(biāo)簽數(shù)據(jù)(Labeled data)，無監(jiān)督學(xué)習(xí)只考慮未標(biāo)簽數(shù)據(jù)(Unlabeled data)，但是現(xiàn)實(shí)應(yīng)用中，兩者往往是都存在的，僅僅用稀缺的標(biāo)簽數(shù)據(jù)不足以訓(xùn)練出性能較好的分類器，而僅僅采用未標(biāo)簽數(shù)據(jù)又會浪費(fèi)標(biāo)簽數(shù)據(jù)中包含的類別信息。近幾年來，基于圖的半監(jiān)督學(xué)習(xí)方法建立在數(shù)學(xué)理論較為完善的圖論之上，受到了國際機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘界的高度重視，并取得了很多研究成果。
　　文章先分析了未標(biāo)簽數(shù)據(jù)對分

2、類決策邊界的影響，得出只有在模型假設(shè)很好的匹配實(shí)際數(shù)據(jù)時(shí)，未標(biāo)簽數(shù)據(jù)才是有用的。然后以標(biāo)簽傳遞法引出了基于圖的半監(jiān)督分類方法框架，根據(jù)此框架分析了現(xiàn)有的幾個(gè)經(jīng)典的基于圖的半監(jiān)督分類算法:高斯隨機(jī)場與調(diào)和函數(shù)算法（Gaussian Random Field and Harmonic Function，GRF）、局部與全局一致性算法(Local and Global Consistency, LGC)等。
　　雖然基于圖的半監(jiān)督分類方

3、法建立在數(shù)據(jù)理論較為完善的圖論之上，但其本身取得的效果并不盡如人意，對算法的優(yōu)化處理也是非常有必要的，如構(gòu)建圖的優(yōu)化、參數(shù)學(xué)習(xí)、已知類比例信息都可以對分類結(jié)果做進(jìn)一步優(yōu)化。另外，標(biāo)簽數(shù)據(jù)的匱乏對半監(jiān)督學(xué)習(xí)的性能影響非常大，主動學(xué)習(xí)（Active Learning，Cohn DA，1996）就是一種能夠有效減少算法對標(biāo)簽數(shù)據(jù)需求量的學(xué)習(xí)方法。在主動學(xué)習(xí)中，分類器主動選擇信息含量最大的數(shù)據(jù)（即能最大程度提高分類器性能的數(shù)據(jù)），而不是隨機(jī)選擇