机器学习中，收集有标签数据来建立模型以及调整其中相关参数的过程是非常花费时间和代价的。当有标签数据的数量较少时，我们希望其中的每一个都尽量具有代表性，这样建立的模型才具有适应性。而在数据挖掘实际应用中经常碰到的一种情况却是有标签数据很匮乏而无标签数据很充足。在这种情况下，挑选具有信息量的数据去询问Oracle进行标签可以显著提高模型的准确性。但是这个获得标签的过程是代价很高的，主动学习就是基于此情况的一种解决方案，希望有效地少询问Oracle却可以显著的提高模型准确率。　　 以往的主动学习通常是基于单一Oracle，或者代价一致的情况，而这往往是一种理想化的假设。在实际问题中，常常会出现一些存在多个Oracle或样本之间的代价不同的情况。例如网页分类问题，大类与小类的分类难度和代价常常是不同的，而基于这类情况的研究并不是很多。　　 基于多Oracle的不同代价的主动学习就是一个具有现实意义的选择。本文建立了一个框架式的多Oracle模型，该模型可以对比在不同代价情况下的主动学习问题，并在这个过程中结合了一些机器学习方法，例如运用聚类等方法给Oracle加入惩罚因素，用不同方式构造Oracle，同时构造多个分类器并采用投票的方法给出每个样本的信息量。最后，在实验中通过设置不同的代价比例等参数来观察效果。