近年來，遷移學習已經引起了廣泛的關注和研究。遷移學習是運用已存有的知識對不同但相關領域問題進行求解的一種新的機器學習方法。它放寬了傳統機器學習中的兩個基本假設：（1） 用于學習的訓練樣本與新的測試樣本滿足獨立同分布的條件;（2） 必須有足夠可利用的訓練樣本才能學習得到一個好的分類模型。目的是遷移已有的知識來解決目標領域中僅有少量有標簽樣本數據甚至沒有的學習問題。對遷移學習算法的研究以及相關理論研究的進展進行了綜述，并介紹了在該領域所做的研究工作，特別是利用生成模型在概念層面建立遷移學習模型。最后介紹了遷移學習在文本分類、協同過濾等方面的應用工作，并指出了遷移學習下一步可能的研究方向。

　　隨著社會發展的信息化和網絡化，人們在日常生活和工作中無時無刻不在獲取信息，分析信息，并以此作為決策的依據。在一定程度上，信息的擁有量已經成為決定和制約人類社會發展的重要因素。想要高效、準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、準確地定位信息。分類學習問題，是機器學習中一種重要的學習方法，目前已經得到廣泛的研究與發展。 在傳統分類學習中，為了保證訓練得到的分類模型具有準確性和高可靠性，都有兩個基本的假設：（1） 用于學習的訓練樣本與新的測試樣本滿足獨立同分布的條件;（2） 必須有足夠可利用的訓練樣本才能學習得到一個好的分類模型。但是，在實際應用中我們發現，這兩個條件往往無法滿足。首先，隨著時間的推移，原先可利用的有標簽的樣本數據可能變得不可用，與新來的測試樣本的分布產生語義、分布上的缺口。比如，股票數據就是很有時效性的數據，利用上月份的訓練樣本學習得到的模型并不能很好地預測本月份的新樣本。另外，有標簽的樣本數據往往很匱乏，而且很難獲得。在 Web 數據挖掘領域，新數據不斷涌現，已有的訓練樣本已經不足以訓練得到一個可靠的分類模型，而標注大量的樣本又非常費時費力，而且由于人的主觀因素容易出錯，這就引起了機器學習中另外一個重要問題，如何利用少量的有標簽訓練樣本或者源領域數據，建立一個可靠的模型對目標領域數據進行預測（源領域數據和目標領域數據可以不具有相同的數據分布）.He 等人［1］指出數據分類首先要解決訓練集樣本抽樣問題，如何抽到具有代表性的樣本集作為訓練集是一個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，該方法可感知非結構化數據的分布，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方式，給出了樣本缺失情況下準確率的精確估計。文獻［1］表明，在實際中保證訓練得到的分類模型具有高準確性和可靠性的兩個基本假設并不是每種算法都能做到的，因此研究遷移學習變得非常重要。 近年來，遷移學習已經引起了廣泛的關注和研究［2?18］。根據維基百科的定義??，遷移學習是運用已存有的知識對不同但相關領域問題進行求解的一種新的機器學習方法。它放寬了傳統機器學習中的兩個基本假設，目的是遷移已有的知識來解決目標領域中僅有少量有標簽樣本數據甚至沒有的學習問題。遷移學習廣泛存在于人類的活動中，兩個不同的領域共享的因素越多，遷移學習就越容易，否則就越困難，甚至出現“負遷移”［19，20］的情況，產生副作用。比如：一個人要是學會了騎自行車，那他就很容易學會開摩托車;一個人要是熟悉五子棋，也可以輕松地將知識遷移到學習圍棋中。但是有時候看起來很相似的事情，卻有可能產生“負遷移”現象。比如，學會騎自行車的人來學習三輪車反而不適應，因為這兩種車型的重心位置不同［21，22］。近幾年來，已經有相當多的研究者投入到遷移學習領域中，每年在機器學習和數據挖掘的頂級會議中都有關于遷移學習的文章發表，比如，ICML， SIGKDD，NIPS，ICDM 以及 CIKM 等。下面針對遷移學習研究展開系統的綜述，特別是從遷移學習采用的技術角度進行介紹。