基于SVM的迁移学习方法在互联网金融网页分类中的应用

经过人工标注的互联网金融网页数据量偏小,且新兴金融业态繁多,给互联网金融网页的业态识别带来了困难。对此提出一种基于超平面位置调优支持向量机(Support Vector Machine,SVM)的迁移学习方法。首先利用迁移学习,将相关业态的已标注数据以及少量新业态的已标注数据迁移到新的金融业态中,然后通过对SVM算法模型进行调整,引入参数对分类超平面位置调优,实现分类准确率的提升。实验结果表明了该方法性能的有效性,采用该方法比现有方法准确率平均提高约0.8%,最高提高约1.7%。