基于迁移学习的Web挖掘研究

从传统的新闻，到网页，再到博客、播客等，大量新的领域与媒体不断涌现到Web中。传统的Web挖掘需要标定大量训练数据，这将会耗费大量的人力与物力。而没有大量的标注数据，会使得很多与学习相关研究与应用无法开展。针对Web挖掘中训练数据获取难、训练数据过期以及大量富余数据无法充分利用等问题与挑战，本课题提出基于迁移学习的基本原理，利用相关但不同领域的知识，针对Web环境中分类、多语言学习、跨媒体学习以及排序学习等Web挖掘研究中的关键问题，研究新的算法来解决上述Web挖掘的问题与挑战。本课题的研究对于推进大范围Web挖掘研究应用，减少Web上数据标定人力与财力上的消耗，提高Web挖掘研究的性能等方面都有非常重要的意义。进一步，我们也将推动机器学习到一个新的应用层面，拓宽机器学习算法的适用能力。因此，本课题的研究具有非常重要的理论意义与实际应用价值。