近年來，遷移學(xué)習(xí)已經(jīng)引起了廣泛的關(guān)注和研究。遷移學(xué)習(xí)是運(yùn)用已存有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)：（1） 用于學(xué)習(xí)的訓(xùn)練樣本與新的測(cè)試樣本滿足獨(dú)立同分布的條件;（2） 必須有足夠可利用的訓(xùn)練樣本才能學(xué)習(xí)得到一個(gè)好的分類模型。目的是遷移已有的知識(shí)來解決目標(biāo)領(lǐng)域中僅有少量有標(biāo)簽樣本數(shù)據(jù)甚至沒有的學(xué)習(xí)問題。對(duì)遷移學(xué)習(xí)算法的研究以及相關(guān)理論研究的進(jìn)展進(jìn)行了綜述，并介紹了在該領(lǐng)域所做的研究工作，特別是利用生成模型在概念層面建立遷移學(xué)習(xí)模型。最后介紹了遷移學(xué)習(xí)在文本分類、協(xié)同過濾等方面的應(yīng)用工作，并指出了遷移學(xué)習(xí)下一步可能的研究方向。

　　隨著社會(huì)發(fā)展的信息化和網(wǎng)絡(luò)化，人們?cè)谌粘Ｉ詈凸ぷ髦袩o(wú)時(shí)無(wú)刻不在獲取信息，分析信息，并以此作為決策的依據(jù)。在一定程度上，信息的擁有量已經(jīng)成為決定和制約人類社會(huì)發(fā)展的重要因素。想要高效、準(zhǔn)確地尋找到所需的信息，信息分類是必不可少的第一步。通過分類，信息可以得到有效的組織管理，有利于快速、準(zhǔn)確地定位信息。分類學(xué)習(xí)問題，是機(jī)器學(xué)習(xí)中一種重要的學(xué)習(xí)方法，目前已經(jīng)得到廣泛的研究與發(fā)展。 在傳統(tǒng)分類學(xué)習(xí)中，為了保證訓(xùn)練得到的分類模型具有準(zhǔn)確性和高可靠性，都有兩個(gè)基本的假設(shè)：（1） 用于學(xué)習(xí)的訓(xùn)練樣本與新的測(cè)試樣本滿足獨(dú)立同分布的條件;（2） 必須有足夠可利用的訓(xùn)練樣本才能學(xué)習(xí)得到一個(gè)好的分類模型。但是，在實(shí)際應(yīng)用中我們發(fā)現(xiàn)，這兩個(gè)條件往往無(wú)法滿足。首先，隨著時(shí)間的推移，原先可利用的有標(biāo)簽的樣本數(shù)據(jù)可能變得不可用，與新來的測(cè)試樣本的分布產(chǎn)生語(yǔ)義、分布上的缺口。比如，股票數(shù)據(jù)就是很有時(shí)效性的數(shù)據(jù)，利用上月份的訓(xùn)練樣本學(xué)習(xí)得到的模型并不能很好地預(yù)測(cè)本月份的新樣本。另外，有標(biāo)簽的樣本數(shù)據(jù)往往很匱乏，而且很難獲得。在 Web 數(shù)據(jù)挖掘領(lǐng)域，新數(shù)據(jù)不斷涌現(xiàn)，已有的訓(xùn)練樣本已經(jīng)不足以訓(xùn)練得到一個(gè)可靠的分類模型，而標(biāo)注大量的樣本又非常費(fèi)時(shí)費(fèi)力，而且由于人的主觀因素容易出錯(cuò)，這就引起了機(jī)器學(xué)習(xí)中另外一個(gè)重要問題，如何利用少量的有標(biāo)簽訓(xùn)練樣本或者源領(lǐng)域數(shù)據(jù)，建立一個(gè)可靠的模型對(duì)目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行預(yù)測(cè)（源領(lǐng)域數(shù)據(jù)和目標(biāo)領(lǐng)域數(shù)據(jù)可以不具有相同的數(shù)據(jù)分布）.He 等人［1］指出數(shù)據(jù)分類首先要解決訓(xùn)練集樣本抽樣問題，如何抽到具有代表性的樣本集作為訓(xùn)練集是一個(gè)值得研究的重要問題。提出極小樣本集抽樣方法用于基于超曲面分類算法，該方法可感知非結(jié)構(gòu)化數(shù)據(jù)的分布，并以極小樣本集作為代表子集。該文還指出了極小樣本集有多少種表達(dá)方式，給出了樣本缺失情況下準(zhǔn)確率的精確估計(jì)。文獻(xiàn)［1］表明，在實(shí)際中保證訓(xùn)練得到的分類模型具有高準(zhǔn)確性和可靠性的兩個(gè)基本假設(shè)并不是每種算法都能做到的，因此研究遷移學(xué)習(xí)變得非常重要。 近年來，遷移學(xué)習(xí)已經(jīng)引起了廣泛的關(guān)注和研究［2?18］。根據(jù)維基百科的定義??，遷移學(xué)習(xí)是運(yùn)用已存有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)，目的是遷移已有的知識(shí)來解決目標(biāo)領(lǐng)域中僅有少量有標(biāo)簽樣本數(shù)據(jù)甚至沒有的學(xué)習(xí)問題。遷移學(xué)習(xí)廣泛存在于人類的活動(dòng)中，兩個(gè)不同的領(lǐng)域共享的因素越多，遷移學(xué)習(xí)就越容易，否則就越困難，甚至出現(xiàn)“負(fù)遷移”［19，20］的情況，產(chǎn)生副作用。比如：一個(gè)人要是學(xué)會(huì)了騎自行車，那他就很容易學(xué)會(huì)開摩托車;一個(gè)人要是熟悉五子棋，也可以輕松地將知識(shí)遷移到學(xué)習(xí)圍棋中。但是有時(shí)候看起來很相似的事情，卻有可能產(chǎn)生“負(fù)遷移”現(xiàn)象。比如，學(xué)會(huì)騎自行車的人來學(xué)習(xí)三輪車反而不適應(yīng)，因?yàn)檫@兩種車型的重心位置不同［21，22］。近幾年來，已經(jīng)有相當(dāng)多的研究者投入到遷移學(xué)習(xí)領(lǐng)域中，每年在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的頂級(jí)會(huì)議中都有關(guān)于遷移學(xué)習(xí)的文章發(fā)表，比如，ICML， SIGKDD，NIPS，ICDM 以及 CIKM 等。下面針對(duì)遷移學(xué)習(xí)研究展開系統(tǒng)的綜述，特別是從遷移學(xué)習(xí)采用的技術(shù)角度進(jìn)行介紹。