半监督学习(SSL)，全称Semi-Supervised Learning,类属于机器学习(Machine Learning,ML)。在只有少量标记样本，大部分样本都是无标记的情况下，可以使用半监督学习方法，根据无标记样本与标记样本间的相似度、以及无标记样本潜在的分布，这两个核心思想，对无标记的样本进行标记。下面介绍一下半监督学习的种类：

1 生成式方法

生成式方法(generative methods)是直接基于生成式模型的方法，这一方法是假设所有数据(无论是有标记还是没有标记)都是由同一潜在的模型生成的。这个假设利用潜在模型的参数，将未标记数据与学习目标联系起来，而未标记数据的标记能够当作模型的缺失参数，然后基于EM算法，进行极大似然估计求解。生成式方法的重点在于生成式模型的假设，不同的模型假设会产生不同的方法。当然这一方法的关键也就是这个模型假设必须是准确的，也就是假设的生成式模型必须是与真实数据分布相吻合的;不然利用未标记数据反而会降低泛化性能。生成式方法方法实现简单，但是在实际应用中，事先很难做出准确的模型假设。

2半监督支持向量机

半监督支持向量机，Semi-Supervised Vector Machin，是支持向量机在半监督学习上的推广。在不考虑未标记样本的情况下，支持向量机试图找到最大间隔划分超平面;在考虑未标记样本的情况下，半监督支持向量机试图找到，能将两类有标记样本区分开，并且穿过数据低密度区域的划分超平面。低密度分隔(low-densityseparation)假设是聚类假设在考虑了线性超平面划分后的推广。TSVM是采用局部搜索的策略来进行迭代求解，也就是首先使用有标记样本集训练出一个初始SVM，接着通过该学习器对未标记样本进行打标，这样使得所有样本都有了标记，并基于这些有标记的样本重新训练SVM，之后再寻找易出错样本不断调整。

3协同训练(基于分歧的方法)

协同训练基于大量模型，让每一个模型去寻找最有把握的样本，并作为其他模型的训练样本，这一互相学习、共同进步的过程不断迭代，直到两个分裂期不再变化。不同的视图、不同的算法、不同的数据、不同的参数都是产生差异的渠道。协同训练能够通过将样本集拆分成不同的子样本集，并分别在子样本集上训练模型，就会产生多个模型;也可以对样本集建立不同的分类模型，通过各个模型决定样本的置信度，与集成学习类似。

4图半监督学习

5半监督聚类

聚类是无监督学习任务，为了利用现实任务中获得的监督信息，提出半监督聚类(semi-supervised clustering)来利用监督信息以获得更好的效果。

聚类任务中获得的监督信息分两种：1)有必连(must-link)和勿连(cannot-link)约束，必连是指样本必属于同一个簇，勿连是指样本必不属于同一个簇;2)含有少量的有标记样本。