今天,机器学习的方法被运用在各行各业,取得了很多的成果。但是,在很多现实的机器学习场景中,大量样本数据缺少标记,甚至会出现许多错误标记的情况。对这种样本数据标记不完整的数据情况进行学习,就是弱监督学习。弱监督学习按照样本标记情况可以分为不完全监督、不准确监督和不明确监督。上述缺少标记和标记错误的情况分别被划归为不完全监督和不准确监督的学习范畴。本文针对这两种弱监督学习问题进行了研究,主要的工作包括:1.不完全监督下的学习问题。对数据集中仅有少量样本拥有完整标记的情况,本文结合了半监督学习流形假设的思想和主动学习的方法,提出了一种结合流形假设的主动学习方法,将样本特征和标记关系共同用于恢复缺失标记。从理论上具体分析了提出方法的有效性和可行性,最后通过实验进行了验证。2.不准确监督下的学习问题。对数据集中样本标记含有噪声,准确性难以保证的情况,本文提出了一种结合聚类的解决方法,在学习机的训练过程中,能够利用聚类一定程度上地减少噪声传递和累加。从理论上具体分析了提出方法的有效性和可行性,最后通过实验进行了验证。3.电子商城评论情感分类应用研究。情感分类技术有助于电子商务平台提高服务水平。但是,从电子商务平台直接获得的数据质量不高,存在很多信息缺失、信息错误的情况。因此,本文将上述提出的针对不完全监督和不准确监督的学习方法应用到实践当中,使用天猫商城用户评论文本数据集开展实验,经预处理后,使用组合模型的方式进行学习,实验结果验证了本文方法的有效性,能够解决实际应用问题。