传统的机器学习通常要求有大量的有标签数据,然而这在一些场景中常常无法满足。例如,在多网络关系预测和推荐任务中存在冷启动(Cold Start)问题,即新网络中存在较少的边和关系数据,这使得普通的监督学习框架难以获得很好的训练效果。迁移学习和主动学习是两种解决标注数据不足的重要方法。在多网络关系预测中,迁移学习利用源网络中的关系信息帮助目标网络的关系预测任务,主动学习用于查询目标网络中有价值的节点对样本的真实标签,将其加入数据集中迭代训练。在多源数据推荐系统中,采用辅助数据的协同推荐(Collabrative Recommendation with Auxiliary Data,简称CRAD)综合用户的社交网络以及浏览记录提高系统的推荐效果,迁移学习利用辅助数据学习用户偏好信息,主动学习用于查询更能体现用户偏好的物品评价。本文针对上述任务提出以下两个独立的方法:(1)基于主动迁移学习的多网络关系预测方法TAQIL;(2)基于主动迁移学习的推荐系统TACF。第一个工作将源网络中的节点信息迁移到目标网络中,训练得到一个初始模型,然后从目标网络的无标签数据中选择信息量最大的数据进行标注,将其加入数据集再次训练,重复上述步骤直到查询代价用完。第二个工作使用迁移学习从用户的浏览记录中学习用户的偏好信息,并将这些信息用于协同过滤学习获得初始模型,同时允许系统查询用户对某些物品的评价,将其加入评分矩阵中,根据最新添加的评价信息更好地学习用户偏好特征。关于多网络关系预测的实验结果表明,TAQIL方法在非网络数据、网络数据上,比现有的方法具有更高的分类准确率。关于多源推荐系统的实验结果表明在MAE和RMSE两种评价指标中,TACF方法在推荐数据集MovieLens和MovieRating上具有更好的推荐效果。