迁移学习能够将以往学到的知识迁移到新任务的学习中,帮助新任务的学习。当训练数据非常少时,利用已有的不同领域的大量带标签数据帮助其进行学习,这是迁移学习能够完成的任务。基于实例的迁移学习认为原领域中存在一部分实例是可以被重新利用的。提出一种基于聚类的文本迁移学习算法,利用聚类技术从原领域中寻找能够帮助目标数据学习的实例,用来帮助目标领域的学习。在TancorpV1.0数据集上进行了实验,证明该算法能有效提高目标数据的学习效率。垃圾邮件的特征会不断变化,已有的过滤器无法很好适应不断变化的垃圾邮件。重新训练过滤器需要大量新的垃圾邮件样本,而这些数据往往很难得到。同时,不论怎么变化,垃圾邮件的一些基本特征是不变的,这些基本特征可以从现有的垃圾邮件样本中得到。这种情况下,在垃圾邮件过滤中应用文中提出的迁移方法收到了很好的效果。