大數(shù)據(jù)時(shí)代的數(shù)據(jù)信息呈現(xiàn)持續(xù)性、爆炸性的増長(zhǎng)，為杋器學(xué)習(xí)算法帶來(lái)了大量監(jiān)督樣本。然而，這對(duì)信息通常不是次性獲得的，且獲得的數(shù)據(jù)標(biāo)記是不準(zhǔn)確的，這對(duì)傳統(tǒng)的分類模型提岀了挑戰(zhàn)，而増量學(xué)習(xí)是一種重要的解決方法。但在増量學(xué)習(xí)中，樣本的標(biāo)記順序?qū)?yán)重影響分類器的性能，特別是在分類器分類能力較弱的情況下，傳統(tǒng)的增量學(xué)習(xí)方法容易過(guò)早地將噪聲數(shù)據(jù)添加到訓(xùn)練集上，從而影響分類器的精度。為解決這個(gè)問(wèn)題，文中提岀一種基于Q學(xué)習(xí)算法的增量分類模型。該模型利用強(qiáng)化學(xué)習(xí)中經(jīng)典的α學(xué)習(xí)算法來(lái)合理選擇樣夲増量序列，削弱噪聲數(shù)據(jù)的負(fù)面影響，并實(shí)現(xiàn)在學(xué)習(xí)過(guò)程中自主標(biāo)記樣本。同時(shí)，為了解決當(dāng)新增未標(biāo)記樣本集規(guī)模較大時(shí)，Q學(xué)習(xí)中的狀態(tài)空間與動(dòng)作空間増大帶來(lái)的計(jì)算復(fù)雜度和存儲(chǔ)空間呈指數(shù)増長(zhǎng)的問(wèn)題，文中進(jìn)一步給出了批量增量分類模型，有效降低了模型的計(jì)算復(fù)雜度并節(jié)約了存儲(chǔ)空間?；赒學(xué)習(xí)算法的增量分類模型融合了增量學(xué)習(xí)及強(qiáng)化學(xué)習(xí)的思想，具有分類精度高、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)。最后，在3個(gè)UCⅠ數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)來(lái)驗(yàn)證所提模型的有效性，結(jié)果表眀該模型通過(guò)選擇新増訓(xùn)練集合的確有助于提升分類器的精度，且由不冋增量序列訓(xùn)練得到的分類器精度也有較大差異?；赒學(xué)習(xí)算法的增量分類模型可以利用已有的少量監(jiān)督信息進(jìn)行初始訓(xùn)練，通過(guò)自主標(biāo)記樣本構(gòu)造增量訓(xùn)練集，并通過(guò)自監(jiān)督的方弌提高分類器的精度。因此，基于α學(xué)習(xí)算法的増量分類模型可被用于解決監(jiān)督信息缺乏的問(wèn)題，具有一定的應(yīng)用價(jià)值。