多实例学习(MIL)是监督学习的一种概括,它试图从大量实例中学习独特的分类器。 本文针对文本分类问题解决了基于迁移学习的多实例方法的问题。 为了提供从源任务到目标任务的安全知识转移,本文提出了一种称为选择性多实例转移学习(SMITL)的新方法,该方法选择了多实例转移学习将在第一步中起作用的情况,以及然后在第二步中建立一个多实例迁移学习分类器。 具体来说,在第一步中,我们通过调查两个任务的积极特征的相似性来衡量源任务和目标任务是否相关。 在第二步中,我们构造了一个基于转移学习的多实例方法,如果在第