基于Positive与Unlabeled样本的半监督分类：方法、挑战与应用新探.docxVIP

基于Positive与Unlabeled样本的半监督分类：方法、挑战与应用新探

一、引言

1.1研究背景

在大数据时代，数据量呈爆炸式增长，文本信息数量日益增加，文本分类成为处理和解决大量文本数据的关键技术。传统的文本分类作为基于机器学习的有监督学习方法，需要获得大量的人工标注的训练文档，通过对训练文档的学习计算分类器的参数，进而对文档集进行分类。然而，获取大量带有类别标注的样本代价相当昂贵，不仅需要投入大量的人力、物力和时间成本，而且这些方法只有通过大规模的训练才能获得较高精度的分类效果。

数据标注产业作为支撑人工智能进步的关键产业，近年来需求呈爆发式增长。据中投产业研究院发布的报告显示，2018-2023年期间，中国数据标注市场规模从约15亿元增长至约60.8亿元，年复合增长率达到30%以上；2024年中国数据标注市场规模大约达到77.3亿元，预计到2027年，产业规模年均复合增长率超过20%。但该产业面临着诸多困境，其中人才供需矛盾尤为突出。初级标注员岗位虽招聘数量多，但工作内容枯燥、薪资竞争力及增长空间有限、职业路径模糊，导致人员流动性大，企业运营成本增加，项目稳定性和交付质量受影响；而具备医疗、法律、金融等跨领域知识的复合型数据标注人才极度稀缺，高校相关专业开设较少，人才培养速度跟不上需求增长，严重制约企业项目进展和业务拓展。

除了人才困